[論文レビュー] Curvature-based Methods for Brain Network Analysis

Melanie Weber, Johannes Stelzer+4 more|arXiv (Cornell University)|Jul 1, 2017

Functional Brain Connectivity Studies参考文献 14被引用数 11

ひとこと要約

本論文は、fMRIデータから得られるタスク関連脳ネットワークを特徴付けるために、Forman-Ricci曲率を用いた曲率ベースのネットワーク解析手法を提案する。ノードではなくエッジに曲率スコアを割り当てることで、明確なトポロジー的特徴が明らかになる：低曲率エッジ（＜ -4000）は感情処理ネットワークのコアに局在し、高曲率エッジ（＞ -500）はデフォルトモードネットワーク（DMN）に対応する。全エッジにおいて、エッジ密度と曲率の間に強い負の相関関係（μ = -0.565）が確認された。

ABSTRACT

The human brain forms functional networks on all spatial scales. Modern fMRI scanners allow to resolve functional brain data in high resolutions, allowing to study large-scale networks that relate to cognitive processes. The analysis of such networks forms a cornerstone of experimental neuroscience. Due to the immense size and complexity of the underlying data sets, efficient evaluation and visualization remain a challenge for data analysis. In this study, we combine recent advances in experimental neuroscience and applied mathematics to perform a mathematical characterization of complex networks constructed from fMRI data. We use task-related edge densities [Lohmann et al., 2016] for constructing networks of task-related changes in synchronization. This construction captures the dynamic formation of patterns of neuronal activity and therefore represents efficiently the connectivity structure between brain regions. Using geometric methods that utilize Forman-Ricci curvature as an edge-based network characteristic [Weber et al., 2017], we perform a mathematical analysis of the resulting complex networks. We motivate the use of edge-based characteristics to evaluate the network structure with geometric methods. The geometric features could aid in understanding the connectivity and interplay of brain regions in cognitive processes.

研究の動機と目的

• 大規模なfMRI由来脳ネットワークを対象とした新しい幾何的ネットワーク解析手法の開発。
• 従来のノードベースのネットワーク指標の限界を克服するため、エッジベースの曲率特性を導入すること。
• 曲率を新たな分析的レンズとして用いて、タスク関連脳ネットワークのトポロジー的構造を調査すること。
• 複数の被験者サンプルにわたる曲率ベースのネットワーク特徴の再現性および頑健性を評価すること。
• エッジ密度と曲率の関係を解明し、従来のノードベースのネットワーク指標では十分に捉えきれない機能的脳ネットワークコンポーネントの同定を試みること。

提案手法

• fMRIデータに基づき、タスク状態とベースライン状態の間の同期性の違いに注目して、タスク関連脳ネットワークを構築する。この際、タスク関連エッジ密度（TED）法を用いる。
• TEDネットワークのエッジにForman-Ricci曲率を適用し、エッジおよびノードの重みに依存する離散的曲率定式化を用いる。
• エッジ重みは相関強度から、ノード重みは局所的結合性から導出され、両者とも[0,1]の範囲をとる。
• 400名の被験者からなるコhortから、100名の被験者をランダムに抽出した10個のネットワークを用いて、再現性の評価を実施する。
• ハブネスマップに高曲率および低曲率エッジを投影し、ネットワークコンポーネントの空間的局在を可視化する。
• 異なる曲率範囲において、エッジ密度とForman-Ricci曲率の間の相関を計算し、その関係を評価する。

実験結果

リサーチクエスチョン

• RQ1 Forman-Ricci曲率は、fMRIデータから得られるタスク関連脳ネットワークにおいて、どのように異なるトポロジー的特徴を明らかにするか？
• RQ2 大規模脳ネットワークにおいて、エッジ密度とForman-Ricci曲率の関係は何か？
• RQ3 極端な曲率値（非常に低いか非常に高い）を持つエッジは、デフォルトモードネットワーク（DMN）や感情処理領域といった既知の機能的脳ネットワークに局在するか？
• RQ4 曲率ベースのネットワーク特徴は、複数の被験者サンプルにわたって再現可能か？
• RQ5 曲率ベースの指標は、従来のノードベースのネットワーク測定では完全に捉えきれない機能的ネットワークコンポーネントを検出できるか？

主な発見

• TEDネットワークのエッジにおけるForman-Ricci曲率値の分布は、広範囲にわたり分布を示し、-500未満の曲率値に二次ピークを示す。
• 曲率値が -4000未満のエッジは、ハブネスマップに可視化されたように、感情対比ネットワークのコアに局在しており、タスク固有の機能的結合性の役割を果たしていることが示唆される。
• 曲率値が -500を超えるエッジはデフォルトモードネットワーク（DMN）に対応しており、DMNが通常は休息状態に関連するとされるのに対し、タスク状態でも活性化している可能性を示唆している。
• 全エッジにおいて、エッジ密度とForman-Ricci曲率の間に強い負の相関関係が確認された（μ = -0.565、σ = 0.020）、これは高密度な結合が常に高曲率を意味するわけではないことを示している。
• 二次ピーク領域（曲率 > -500）では、エッジ密度と曲率の相関が著しく弱まり、μ = -0.164、σ = 0.097となった。これは、曲率がエッジ密度とは異なるトポロジー的情報を捉えている可能性を示唆している。
• 曲率ベースの解析は、10個の独立した被験者サンプルにわたって再現可能であり、ハブネスマップにおける高・低曲率エッジの空間的局在が一貫して確認された。