[論文レビュー] Cortical Geometry Network and Topology Markers for Parkinson's Disease

Amanmeet Garg, Donghuan Lu+2 more|arXiv (Cornell University)|Nov 14, 2016

Topological and Geometric Data Analysis参考文献 7被引用数 3

ひとこと要約

本稿は、神経変性と灰白質萎縮に伴うコルティカル領域の3次元幾何的配置の変化を捉えるために、解剖学的に定義されたコルティカルパラセルの3次元座標を用いてパーキンソン病（PD）における皮質表面幾何のモデリングを行う、新規のジオメトリーネットワーク（GN）フレームワークを提案する。相互領域間距離行列を構築し、そのトポロジーを恒常ホモロジーを用いて分析することで、PD群と健常対照群との間に有意な差がβ₁およびβ₃のベッチ数で検出された（p < 0.05）。これは、神経変性に伴う皮質幾何の変化を非侵襲的診断マーカーとして用いる可能性を示している。

ABSTRACT

Neurodegeneration affects cortical gray matter leading to loss of cortical mantle volume. As a result of such volume loss, the geometrical arrangement of the regions on the cortical surface is expected to be altered in comparison to healthy brains. Here we present a novel method to study the alterations in brain cortical surface geometry in Parkinson's disease (PD) subjects with a \emph{Geometry Networks (GN)} framework. The local geometrical arrangement of the cortical surface is captured as the 3D coordinates of the centroids of anatomically defined parcels on the surface. The inter-regional distance between cortical patches is the signal of interest and is captured as a geometry network. We study its topology by computing the dimensionality of simplicial complexes induced on a filtration of binary undirected networks for each geometry network. In a permutation statistics test, a statistically significant ($p&lt;0.05$) difference was observed in the homology features between PD and healthy control groups highlighting its potential to differentiate between the groups and their potential utility in disease diagnosis.

研究の動機と目的

• 神経変性と灰白質萎縮に起因する、パーキンソン病がコルティカル領域の3次元幾何的配置に与える影響を調査すること。
• 従来の2次元ネットワークモデルに代わる、コルティカル領域間の多価的（多数対多数）相互作用を捉えるネットワークベースのフレームワークを構築すること。
• 相互領域間距離行列に恒常ホモロジーを適用し、PDにおける微細な構造的変化に感受性のあるトポロジカル特徴を抽出すること。
• 統計的仮説検定を用いて、これらのトポロジカル特徴がPD患者と健常対照群を区別する能力を評価すること。
• コルティカル表面の幾何とトポロジーに基づき、一般化可能で非侵襲的な神経変性疾患の画像マーカーを確立すること。

提案手法

• コルティカル表面が解剖学的に定義された領域にパラセレーションされ、各領域の位置を表すために重心が3次元空間座標として用いられる。
• パラセルの重心間の相互領域間ユークリッド距離が重み付き無向グラフを形成し、ネットワークフィルトレーションの入力として用いられる。
• 増加するしきい値（εk）を用いてネットワークフィルトレーションを適用し、完全に分離状態から完全に接続状態までの階層的バイナリ無向グラフを生成する。
• フィルタードネットワーク上にベトリス＝リップス単体複体を導入し、ベッチ数β₀、β₁、β₂、β₃を含む恒常ホモロジー特徴を計算する。
• フィルトレーション全体にわたりトポロジカル特徴（ベッチ数）を抽出し、コルティカル幾何における多項的相互作用と恒常的な構造的パターンを捉える。
• ホモロジー特徴に対するグループ差（PD対健常対照群）の統計的有意性を、パーミュテーションベースのフィッシャーズ正確確率検定およびホットチェリングのT²検定を用いて評価する。

実験結果

リサーチクエスチョン

• RQ1 パーキンソン病は、相互領域間距離に反映されるコルティカル領域の3次元幾何的配置にどのように影響を与えるか？
• RQ2 恒常ホモロジーを用いて抽出された皮質幾何ネットワークのトポロジカル特徴は、PD患者と健常対照群を効果的に区別できるか？
• RQ3 恒常ホモロジーが捉える多価的相互作用は、従来の2次元ネットワーク指標よりもPDにおいてより優れた判別能を示すか？
• RQ4 特定のベッチ数（β₀、β₁、β₂、β₃）の中で、PD群と対照群との間に統計的に有意な差を示すのはどれか？
• RQ5 提案されたジオメトリーネットワークフレームワークは、神経変性疾患の進行を評価するための強固で非侵襲的な画像バイオマーカーとして機能できるか？

主な発見

• 1次元の穴の数を表す恒常ホモロジー特徴β₁は、PD群と健常対照群との間に統計的に有意な差を示した（p = 0.017）。
• 3次元の穴の数を表すβ₃特徴は、より強い統計的差を示した（p = 0.005）、これは疾患関連の幾何的変化に高い感受性を示していることを示している。
• β₁とβ₃特徴を組み合わせることで判別性能が向上し、フィッシャーズ正確確率検定のp値が0.005にまで低下した。これは相乗的な診断可能性を示唆している。
• 古典的なネットワーク指標（ノード次数、クラスタ係数、局所効率）は統計的に有意な差を示さなかった（p > 0.05）、これは2次元ネットワークモデルの限界を示している。
• ベッチ数特徴β₁およびβ₃は、パーミュテーション検定およびホットチェリングのT²検定の両方でp < 0.05を達成した唯一の特徴であり、その妥当性と判別力の高さを裏付けた。
• 結果は、PDに起因する神経変性が、特に高次元の単体的特徴に特徴的な、検出可能で非ランダムなトポロジカル構造の変化をコルティカル幾何に引き起こすことを支持している。