[論文レビュー] Accurately Predicting Functional Connectivity from Diffusion Imaging

Cassiano O. Becker, Sérgio Pequito+5 more|arXiv (Cornell University)|Dec 8, 2015

Functional Brain Connectivity Studies参考文献 23被引用数 9

ひとこと要約

本稿では、拡散画像データを用いて、スペクトルグラフ理論および凸最適化に基づく手法を提案し、構造的脳ネットワークから安静状態の機能的結合を予測する。この手法は、機能的結合を最大長5までの構造的経路の累乗の重み付き和としてモデル化し、高い予測精度（平均R² ≈ 0.65）を達成するとともに、短い構造的経路が機能的相関形成において支配的であることを明らかにした。

ABSTRACT

Understanding the relationship between the dynamics of neural processes and the anatomical substrate of the brain is a central question in neuroscience. On the one hand, modern neuroimaging technologies, such as diffusion tensor imaging, can be used to construct structural graphs representing the architecture of white matter streamlines linking cortical and subcortical structures. On the other hand, temporal patterns of neural activity can be used to construct functional graphs representing temporal correlations between brain regions. Although some studies provide evidence that whole-brain functional connectivity is shaped by the underlying anatomy, the observed relationship between function and structure is weak, and the rules by which anatomy constrains brain dynamics remain elusive. In this article, we introduce a methodology to predict with high accuracy the functional connectivity of a subject at rest from his or her structural graph. Using our methodology, we are able to systematically unveil the role of structural paths in the formation of functional correlations. Furthermore, in our empirical evaluations, we observe that the eigen-modes of the predicted functional connectivity are aligned with activity patterns associated with different cognitive systems. Our work offers the potential to infer properties of brain dynamics in clinical or developmental populations with low tolerance for functional neuroimaging.

研究の動機と目的

• 非侵襲的拡散画像を用いて、構造的脳ネットワークから機能的結合を正確に予測する手法を開発すること。
• 間接的な構造的経路が人間脳における機能的相関にどのように寄与するかを理解すること。
• fMRIに耐性が低い臨床的または発達的集団において、機能的脳動態を推定可能にするための手法を提供すること。
• 神経画像において、1つの行列（機能的結合）を別の行列（構造的結合）から予測する一般化可能なフレームワークを提供すること。

提案手法

• 構造的隣接行列Sの累乗の非線形関数として機能的結合をモデル化するため、スペクトルグラフ理論を用いる。
• 最大経路長としてk = 5を採用し、S^l（l = 1からkまで）の切り捨てられた和の最適な重みを学習するために凸最適化を採用する。
• 90の脳領域（AALアトラス）間の白質ストリームラインにおける部分的アニュスロトロピー（FA）値から構造的グラフを構築する。
• パーソン相関を用いて、0.06–0.125 Hzのバンドパス・フィルタをかけたBOLD信号から機能的結合行列を計算する。
• 非線形かつ非パラメトリックな回帰フレームワークを用いて、84人の被験者で予測器を学習する。
• 交差検証を用いて予測を検証し、予測された機能的結合行列と実際の行列との間の相関（R²）を性能指標として評価する。

実験結果

リサーチクエスチョン

• RQ1 拡散画像を用いて、構造的脳ネットワークから機能的結合をどの程度正確に予測できるか？
• RQ2 例えば1から5までの構造的経路長の中で、機能的結合予測に最も顕著に寄与するのはどれか？
• RQ3 間接的な構造的経路が人間脳における機能的相関をどの程度形作っているか？
• RQ4 本手法は、運動障害や発達遅延があるような、fMRIに耐性が低い集団において、機能的結合を推定可能か？
• RQ5 予測された機能的結合行列の固有モードは、既知の認知システムの活動パターンと整合しているか？

主な発見

• 提案手法は、84名の被験者に対して、平均R²が約0.65の高い精度で機能的結合を予測した。
• 予測精度は、経路長が最大5までの構造的経路を含めた場合に最高となり、短い経路（l ≤ 5）が予測に顕著に寄与していた。
• 予測された機能的結合行列の固有モードは、明確な認知システムに関連する活動パターンと一致していた。
• モデルは、直接的な解剖的結合を超えて、間接的な構造的経路が機能的相関を形作る上で重要な役割を果たしていることを明らかにした。
• 本手法により、運動や不安、発達的課題により通常のfMRIが困難な個人に対しても、機能的脳動態を正確に推定可能である。
• 本フレームワークは一般化可能であり、脳損傷後、学習過程、老化に伴う構造的・機能的関係の研究に応用可能である。