[論文レビュー] Bayesian Inference of Whole-Brain Networks

Max Hinne, Tom Heskes+1 more|arXiv (Cornell University)|Feb 8, 2012

Advanced Neuroimaging Techniques and Applications参考文献 37被引用数 10

ひとこと要約

本稿では、ベイジアン接続症候学（Bayesian connectomics）を紹介する。これは、スティルームデータの尤度モデルと、既知のネットワーク特性をエンコードする指数型ランダムグラフモデル（ERGM）の事前分布を用いて、グラフの事後分布をモデル化することで、確率的トラクトグラフィーからの全脳構造的ネットワークを推定する原理的でベイジアンなフレームワークである。この手法は、事前知識を組み込むことで、従来のしきい値処理を上回り、特にシミュレーションにおいて真の結合性を正確に再構築する。

ABSTRACT

In structural brain networks the connections of interest consist of white-matter fibre bundles between spatially segregated brain regions. The presence, location and orientation of these white matter tracts can be derived using diffusion MRI in combination with probabilistic tractography. Unfortunately, as of yet no approaches have been suggested that provide an undisputed way of inferring brain networks from tractography. In this paper, we provide a computational framework which we refer to as Bayesian connectomics. Rather than applying an arbitrary threshold to obtain a single network, we consider the posterior distribution of networks that are supported by the data, combined with an exponential random graph (ERGM) prior that captures a priori knowledge concerning the graph-theoretical properties of whole-brain networks. We show that, on simulated probabilistic tractography data, our approach is able to reconstruct whole-brain networks. In addition, our approach directly supports multi-model data fusion and group-level network inference.

研究の動機と目的

• 確率的トラクトグラフィーからの全脳構造的ネットワークを推定するための原理的でない手法の欠如に対処すること。
• スティルームデータの不確実性を考慮する統計的に厳密なフレームワークに、ヒューリスティックなしきい値処理の手法を置き換えること。
• ネットワーク構造に関する事前知識を統合することにより、マルチモodalデータ統合とグループレベルのネットワーク推定を可能にすること。
• シミュレーテッドデータ上でフレームワークを検証し、従来の手法よりも精度が向上することを示すこと。

提案手法

• フレームワークは、全脳ネットワークの事後分布を、可能なグラフの空間を探索するためのマルコフ連鎖モンテカルロ（MCMC）サンプリングを用いてモデル化する。
• スティルームカウントのノイズを表現するために、多変量ディリクレ分布を用いた尤度モデルを定義する。
• 指数型ランダムグラフモデル（ERGM）事前分布は、クラスタリング、経路長、スモールワールド構造などのグラフ理論的性質に関する事前知識をエンコードする。
• 事前分布は、ネットワークトポロジーの影響を制御するパrameter β と、誤検出ストリームの確率をモデル化するハイパーパrameter a̅ と a̲ でパラメータ化される。
• 複数の被験者やモodalデータからのデータを同じ確率的フレームワーク内に統合することで、マルチモダリティ統合とグループレベルの推定を可能にする。
• 主なネットワーク再構築には、データの証拠と事前制約の両方をバランスさせる最大事後確信度（MAP）推定が用いられる。

実験結果

リサーチクエスチョン

• RQ1 ベイジアン接続症候学は、シミュレーテッド確率的トラクトグラフィーからの真の全脳ネットワークを正確に再構築できるか？
• RQ2 情報に基づいたERGM事前分布を組み込むことで、しきい値処理や無情報事前分布と比較して、ネットワーク再構築の精度が向上するか？
• RQ3 このフレームワークは、接続症候学におけるマルチモーダルデータ統合とグループレベルのネットワーク推定をどのように支援するか？
• RQ4 ハイパーパrameterの選択が、ネットワーク再構築のパフォーマンスに与える影響は何か？

主な発見

• ベイジアン接続症候学の手法は、シミュレーテッドデータにおいて真の結合性構造を成功裏に再構築し、長距離結合のほぼ完全な回復を達成した。
• 最大事後確信度（MAP）解は、ストリームノイズによる誤検出のため、しきい値処理や最尤推定（ML）手法よりも顕著に優れていた。
• 特にβ=2として設定された情報に基づいた事前分布により、空のグラフが最も確率が高いと仮定しても、スモールワールドネットワークの特徴を正確に回復できた。
• この手法は、交差するおよび散開する線維の配置のような曖昧な線維構成においても、誤検出に対して頑健であることが示された。
• フレームワークは、多様なデータソースを1つの確率的モデル内に統合することで、自然にマルチモーダルデータ統合とグループレベルの推定をサポートする。