[論文レビュー] Degree distributions in mesoscopic and macroscopic functional brain networks

Satoru Hayasaka, Paul J. Laurienti|ArXiv.org|Mar 24, 2009

Functional Brain Connectivity Studies被引用数 4

ひとこと要約

本研究では、同じfMRIデータを用いて、ミクロスコピック（ボクセルベース）およびマクロスコピック（領域ベース）の機能的脳ネットワークにおける次数分布を比較した。両ネットワークタイプとも指数的切断パワー則に従うことが判明し、プロット手法（P(k) 対 1−F(k)）およびネットワークスケールの違いが、ボクセルベースネットワークがスケールフリーに見えるのに対し、領域ベースネットワークではそうではないという、先行研究の矛盾を解消した。

ABSTRACT

We investigated the degree distribution of brain networks extracted from functional magnetic resonance imaging of the human brain. In particular, the distributions are compared between macroscopic brain networks using region-based nodes and mesoscopic brain networks using voxel-based nodes. We found that the distribution from these networks follow the same family of distributions and represent a continuum of exponentially truncated power law distributions.

研究の動機と目的

• 機能的脳ネットワークがスケールフリーであるか、指数的切断パワー則に従うかという文献上の矛盾を解消すること。
• ボクセルベース脳ネットワークの顕在的スケールフリー性が、データ処理やプロット手法に起因するアーティファクトであるかどうかを調査すること。
• 同一のfMRIデータを用いて、ミクロスコピック（ボクセルレベル）およびマクロスコピック（解剖的領域レベル）の異なる空間スケールにおける次数分布を比較すること。
• ネットワーク分解能（ボクセル対領域）が観察される次数分布の形状に影響を与えるかどうかを特定すること。
• 指数的切断パワー則が脳ネットワークのレジリエンスおよび機能的分離に与える意味を評価すること。

提案手法

• 5名の被験者からのfMRI時系列を用い、各3次元脳ボクセルをノードとして扱い、ボクセルベースネットワークを構築した。
• 事前に定義された解剖的領域内でのボクセル時系列の平均化により、1名あたり約100ノードの領域ベースネットワークを構築した。
• ノード間時系列の対間相関係数を計算し、各ネットワークタイプごとに相関行列を生成した。
• 被験者固有の相関閾値 $ R_c $ を適用して、平均次数が被験者間で類似するバイナリ隣接行列を生成した。
• 次数分布を指数的切断パワー則モデルにフィットさせた：$ P(k) \propto k^{\beta} \exp(-k/k_c) $、各ネットワークタイプの $ \beta $ および $ k_c $ を推定した。
• 尾部挙動への感受性を高め、フィッティングのノイズを低減するために、補完的累積分布関数 $ 1-F(k) $ を用いた。

実験結果

リサーチクエスチョン

• RQ1 同じfMRIデータから構築されたミクロスコピック（ボクセルベース）およびマクロスコピック（領域ベース）の機能的脳ネットワークは、異なる次数分布を示すか？
• RQ2 なぜ先行研究ではボクセルベースネットワークにスケールフリーの次数分布が報告されている一方、領域ベースネットワークにはそうではないのか？
• RQ3 ボクセルベースネットワークの顕在的スケールフリー性は、プロット手法やネットワーク分解能に起因するアーティファクトであるのか？
• RQ4 両ネットワークタイプは同じ分布族に属するのか？ もしそうであれば、その基本的な関数形は何か？
• RQ5 指数的切断パワー則の次数分布が、脳ネットワークの機能およびレジリエンスに与える意味は何か？

主な発見

• ミクロスコピック（ボクセルベース）およびマクロスコピック（領域ベース）の両方の機能的脳ネットワークが、純粋なパワー則ではなく、指数的切断パワー則に従うことが判明した。
• ボクセルベースネットワークの次数分布は、$ \beta = -0.61 $ および $ k_c = 81.3 $ で最もよくフィットし、尾部の切断が示された。
• 領域ベースネットワークは $ \beta = 1.87 $ および $ k_c = 1.60 $ を示し、より急激な減少と低いカットオフを示した。
• 先行研究の矛盾は、ボクセルベース研究が $ P(k) $ をプロットしていたのに対し、領域ベース研究が $ 1-F(k) $ を用いており、後者は尾部挙動に対して感受性が高かったことに起因する。
• 2つのネットワークタイプは、指数的切断パワー則の連続体を形成しており、より細分化されたスケール（ミクロスコピック）のネットワークはスケールフリーに近い性質を示す。
• 脳ネットワークの構造は、エピレプシーなどの不適切な同期化を防ぐために進化的に最適化されており、切断によって非ゼロのエピデミック閾値が導入されるためである。