[論文レビュー] Bayesian Inference Applied to the Electromagnetic Inverse Problem

David Schmidt, John George+1 more|ArXiv.org|Jun 16, 1998

Image and Signal Denoising Methods参考文献 17被引用数 4

ひとこと要約

この論文は、強磁気脳図測定法（MEG）における不適切に定式化された電磁気逆問題に対処するためのベイズ推論フレームワークを導入し、単一の推定値ではなく、妥当な神経活性化解の分布を生成する。統一された確率的モデル内で事前知識と測定データを組み合わせることで、位置、範囲、活性化領域数といった高い確率を持つ特徴を同定した。シミュレートされたデータおよび実際の視覚誘発反応MEGデータを用いて検証された。

ABSTRACT

We present a new approach to the electromagnetic inverse problem that explicitly addresses the ambiguity associated with its ill-posed character. Rather than calculating a single ``best'' solution according to some criterion, our approach produces a large number of likely solutions that both fit the data and any prior information that is used. While the range of the different likely results is representative of the ambiguity in the inverse problem even with prior information present, features that are common across a large number of the different solutions can be identified and are associated with a high degree of probability. This approach is implemented and quantified within the formalism of Bayesian inference which combines prior information with that from measurement in a common framework using a single measure. To demonstrate this approach, a general neural activation model is constructed that includes a variable number of extended regions of activation and can incorporate a great deal of prior information on neural current such as information on location, orientation, strength and spatial smoothness. Taken together, this activation model and the Bayesian inferential approach yield estimates of the probability distributions for the number, location, and extent of active regions. Both simulated MEG data and data from a visual evoked response experiment are used to demonstrate the capabilities of this approach.

研究の動機と目的

• 単一解推定を越えて、MEGおよびEEGにおける電磁気逆問題の本質的曖昧性と不適切な定式化を解消すること。
• 神経電流の空間的滑らかさ、位置、方向、強度といった多様な事前情報——を解法プロセスに統合すること。
• 確率的推定ではなく、一意な推定値ではなく、妥当な解の分布を生成することで、神経源局在における不確実性を定量化すること。
• 多数のサンプル解に共通する特徴を、高い事後確率を持つものとして特定し、推論の信頼性を高めること。
• 実験的シナリオにおいて、シミュレートされたMEGデータおよび人間被験者からの実際の視覚誘発反応データを用いて、手法の有効性を示すこと。

提案手法

• ベイズの定理を用いて事前分布と測定データの尤度を統合することで、逆問題をベイズフレームワーク内で形式化する。
• 可変な数の拡張された活性領域を許容する柔軟な神経活性化モデルを採用し、空間的および方向的制約を調整可能にする。
• 可能な源配置の事後分布を探索するために、マルコフ連鎖モンテカルロ（MCMC）サンプリングを用いる。
• 電流強度、方向、空間的滑らかさに関する事前情報は、適切な事前分布を通じて統合する。
• 合成データおよび視覚刺激実験からの実際のMEG記録の両方に対して、フレームワークを適用する。
• サンプリングされた事後分布に基づき、活性化領域の数、位置、範囲の確率分布を定量化する。

実験結果

リサーチクエスチョン

• RQ1 神経電流分布に関する事前知識を、電磁気逆問題の解法に体系的に統合する方法は何か？
• RQ2 測定されたMEGデータと事前制約を満たす妥当な神経源配置の分布はどのようになるか？
• RQ3 神経活性化の特徴（例：位置、範囲）の中で、多数のサンプル解に共通するもの——つまり高い事後確率を持つもの——は何か？
• RQ4 不確実性の定量化および信頼性という観点から、ベイズ的手法は従来の単一解法と比べてどのように異なるか？
• RQ5 実際のノイズ条件のもとで、この手法はシミュレートされたデータおよび実際のMEGデータにおいて、既知の活性パターンを信頼性高く回復できるか？

主な発見

• ベイズ的手法は、シミュレートされたデータおよび実際のMEGデータに適合する妥当な神経活性化配置の分布を、事前知識を統合しながら成功裏に生成した。
• 多数のサンプル解に共通する特徴——特に活性化の位置と範囲——は高い事後確率で特定され、信頼性の高い推論であることが示された。
• 本手法は、活性化領域の数に関する確率分布の定量的推定を可能にし、源数における不確実性の定量化を実現した。
• 視覚誘発反応実験では、視覚皮質における活性化が非常に高い信頼性で正しく局在化された。これは既知の神経解剖学的知見と整合的であった。
• 空間的滑らかさおよび方向性に関する事前情報の統合は、推定された源分布の安定性と解釈可能性を顕著に向上させた。
• 本フレームワークは、不適切に定式化されたデータであっても、適切にエンコードされた事前情報があれば、意味のある確率的推論が可能であることを示した。