[論文レビュー] Caulking the Leakage Effect in MEEG Source Connectivity Analysis

Eduardo Gonzalez-Moreira, Deirel Paz-Linares+5 more|arXiv (Cornell University)|Sep 28, 2018

Functional Brain Connectivity Studies参考文献 83被引用数 6

ひとこと要約

本論文は、MEEGの周波数領域におけるソース活動と結合性を同時に推定する新しいベイジアン手法BC-VARETAを紹介する。この手法は、線形ソース混合によって引き起こされる漏れ効果を効果的に是正する。柔軟な事前分布を組み込み、最適化に局所的二次近似を用いることで、BC-VARETAは結合性の漏れを顕著に低減した。これは、新しい地図に基づく空間分散およびエアス・モーバー距離の指標を用いて実証された。この手法は、最先端の手法と比較して数個のオーダーも優れている。

ABSTRACT

Simplistic estimation of neural connectivity in MEEG sensor space is impossible due to volume conduction. The only viable alternative is to carry out connectivity estimation in source space. Among the neuroscience community this is claimed to be impossible or misleading due to Leakage: linear mixing of the reconstructed sources. To address this problematic we propose a novel solution method that caulks the Leakage in MEEG source activity and connectivity estimates: BC-VARETA. It is based on a joint estimation of source activity and connectivity in the frequency domain representation of MEEG time series. To achieve this, we go beyond current methods that assume a fixed gaussian graphical model for source connectivity. In contrast we estimate this graphical model in a Bayesian framework by placing priors on it, which allows for highly optimized computations of the connectivity, via a new procedure based on the local quadratic approximation under quite general prior models. A further contribution of this paper is the rigorous definition of leakage via the Spatial Dispersion Measure and Earth Movers Distance based on the geodesic distances over the cortical manifold. Both measures are extended for the first time to quantify Connectivity Leakage by defining them on the cartesian product of cortical manifolds. Using these measures, we show that BC-VARETA outperforms most state of the art inverse solvers by several orders of magnitude.

研究の動機と目的

• 再構成されたソースの線形混合によって引き起こされるMEEGソース結合性解析における広範な漏れ問題に対処すること。
• 体積伝導によって生じる誤った結合性を最小限に抑えるとともに、ソース活動と結合性を同時に推定する堅牢な手法を開発すること。
• 皮質マニフォールド上の地図距離を用いて、空間分散測定とエアス・モーバー距離を通じて、結合性漏れを厳密に定義および定量化すること。
• 固定ガウスグラフィカルモデルを越えて、MEEGにおける神経結合性推定の正確性と信頼性を向上させること。
• ベイジアン事前分布と局所的二次近似を用いて、計算的に最適化された結合性推定フレームワークを提供すること。

提案手法

• MEEG時系列の周波数領域表現において、ソース活動と結合性を同時に推定するベイジアンフレームワークとしてBC-VARETAを提案する。
• ソース結合性のグラフィカルモデルに柔軟な事前分布を用いることで、頑健で適応可能な推論を可能にする。
• 一般の事前分布モデル下で事後分布推定を効率的に計算するために、局所的二次近似を採用し、計算スケーラビリティを向上させる。
• 空間分散測定とエアス・モーバー距離を用いて、皮質マニフォールドの直積上の空間的分散を測定することで、漏れを定義する。
• 皮質表面の積マニフォールドにまで地図距離に基づく指標を拡張し、結合性推定が真の空間的構造からどれほど逸脱しているかを評価する。
• スペクトル分解能を向上させるとともに、結合性推定におけるノイズ増幅を低減するため、周波数領域処理を統合する。

実験結果

リサーチクエスチョン

• RQ1 連合推定フレームワークは、既存の逆問題ソルバーと比較して、MEEGソース結合性解析における漏れをより効果的に低減できるか？
• RQ2 皮質マニフォールド上の幾何的測定を用いて、結合性漏れをどのように厳密に定量化できるか？
• RQ3 ベイジアンフレームワークに柔軟な事前分布を組み込むことで、MEEGにおける結合性推定の正確性がどの程度向上するか？
• RQ4 局所的二次近似は、高次元のソース結合性問題において、効率的かつ正確な推論を可能にするか？
• RQ5 提案手法は、漏れ低減および結合性正確性の観点で、最先端のソルバーを上回るか？

主な発見

• 新しい地図に基づく漏れ指標を用いた測定では、BC-VARETAは最先端の逆問題ソルバーと比較して、結合性漏れを数個のオーダーも低減した。
• 提案された空間分散測定と皮質積マニフォールド上でのエアス・モーバー距離は、結合性漏れを幾何学的根拠に基づいて初めて厳密に定量化するものである。
• 柔軟な事前分布を備えたベイジアンフレームワークは、固定ガウスグラフィカルモデルと比較して、より正確で安定した結合性推定を可能にする。
• 局所的二次近似により、複雑な事後分布の計算が効率的に行えるようになり、実用的なMEEGデータセットへのスケーラビリティが確保された。
• 高いノイズ環境や信号対ノイズ比が低い条件下でも、BC-VARETAは結合性推定において優れた性能を発揮した。
• 実験的検証により、BC-VARETAが真の結合性パターンを保持するとともに、誤ったリンクの最小化を達成していることが確認された。