[論文レビュー] Estimating Time-varying Brain Connectivity Networks from Functional MRI Time Series

Ricardo Pio Monti, Peter J. Hellyer+4 more|arXiv (Cornell University)|Oct 14, 2013

Functional Brain Connectivity Studies参考文献 52被引用数 7

ひとこと要約

本稿では、fMRIデータから時間的に変化する機能的脳結合ネットワークを推定するためのSmooth Incremental Graphical Lasso Estimation (SINGLE)アルゴリズムを提案する。この手法は、脳動態における非定常性に対処することを目的としている。認知課題に適用した結果、右補足前頭回および右補足parietal lobeの結合性に動的な変化が観察され、これらは認知制御および注意調節において重要な役割を果たすことが明らかになった。

ABSTRACT

Understanding the functional architecture of the brain in terms of networks is becoming increasingly common. In most fMRI applications functional networks are assumed to be stationary, resulting in a single network estimated for the entire time course. However recent results suggest that the connectivity between brain regions is highly non-stationary even at rest. As a result, there is a need for new brain imaging methodologies that comprehensively account for the dynamic (i.e., non-stationary) nature of the fMRI data. In this work we propose the Smooth Incremental Graphical Lasso Estimation (SINGLE) algorithm which estimates dynamic brain networks from fMRI data. We apply the SINGLE algorithm to functional MRI data from 24 healthy patients performing a choice-response task to demonstrate the dynamic changes in network structure that accompany a simple but attentionally demanding cognitive task. Using graph theoretic measures we show that the Right Inferior Frontal Gyrus, frequently reported as playing an important role in cognitive control, dynamically changes with the task. Our results suggest that the Right Inferior Frontal Gyrus plays a fundamental role in the attention and executive function during cognitively demanding tasks and may play a key role in regulating the balance between other brain regions.

研究の動機と目的

• fMRIにおける定常的機能的結合モデルの限界を克服し、時間的に変化する脳ネットワーク動態を捉える手法を開発すること。
• 時間的非定常性を考慮しつつ、fMRI時系列からスパースで高次元の精度行列を推定すること。
• 認知的に要求の高い課題中に発生する機能的結合の動的変化を同定すること、特に認知制御に関連する領域に注目すること。
• 計算効率および統計的パワーの面で既存手法を上回る、堅牢でスケーラブルな動的ネットワーク推定アルゴリズムを提供すること。
• 健康被験者が選択反復課題を実行した実際のfMRIデータを用いて、手法の妥当性を検証すること。

提案手法

• SINGLEアルゴリズムを提案する。これは、増分ラグランジュフレームワークとADMM最適化を用いたグラフィカルラスの拡張であり、動的ネットワーク推定を目的としている。
• fMRI時系列を重複するウィンドウに分割し、各ウィンドウに対して正則化された偏相関を用いて精度行列を推定することで、時間的に変化する結合性をモデル化する。
• 推定されたネットワーク構造の時間的連続性を強制する滑らかさペナルティを導入し、ノイズを低減し、安定性を向上させる。
• 時間的非定常性を考慮した最適化問題を効率的に解くために、交替方向乗数法（ADMM）を用いる。これにより、高次元fMRIデータ処理が可能になる。
• 検出された結合性変化の統計的有意性を評価するため、ブロックブートストラップパーミュテーション検定を適用し、誤検出に対する耐性を確保する。
• 変化点検出の段階で、モデルの適合度と複雑さのバランスを取るためにベイジアン情報基準（BIC）を用いる。

実験結果

リサーチクエスチョン

• RQ1 機能的結合が時間的に非定常である場合、fMRIデータからの機能的結合ネットワークはどのように推定できるか？
• RQ2 認知的に要求の高い課題中に、どの脳領域に結合性の動的変化が観察されるか？
• RQ3 右補足前頭回および右補足parietal lobeは、注意を要する課題中に、時間的に変化する結合パターンを示す程度はどの程度か？
• RQ4 滑らかで段階的な推定フレームワークは、標準的な定常モデルと比較して、一時的な結合性変化の検出をどのように改善できるか？
• RQ5 正則化および最適化手法を用いて、実際のfMRIデータから動的脳ネットワークを推定する際の計算的妥当性と統計的頑健性はどの程度か？

主な発見

• SINGLEアルゴリズムは、一時的なネットワーク変化への感受性が向上した状態で、fMRIデータから時間的に変化する機能的結合ネットワークを効果的に推定できた。
• 右補足前頭回および右補足parietal lobeは、選択反復課題中に顕著な結合構造の動的変化を示した。
• グラフ理論的解析により、これらの領域はタスク実行中に中心性および結合性が上昇しており、認知制御における重要な役割を果たしていることが示された。
• 動的ネットワークの変化は、ブロックブートストラップパーミュテーション検定に対しても有意で、生物学的妥当性を支持するものであった。
• 標準的な定常的結合推定手法に比べ、本手法は一時的でタスクに依存するネットワーク再構成を捉えることができた。
• SINGLEの計算複雑度はO((n + b)p³)であり、nは時間点数、bはブートストラップパーミュテーションの回数を表す。このため、中程度のfMRIデータセットに対してもスケーラブルである。