[論文レビュー] Modeling Covariate Effects in Group Independent Component Analysis with Applications to Functional Magnetic Resonance Imaging

Ran Shi, Ying Guo|arXiv (Cornell University)|Feb 18, 2014

Functional Brain Connectivity Studies参考文献 21被引用数 3

ひとこと要約

本稿では、fMRIデータのグループ独立成分分析に臨床的および人口統計的共変量を形式的に組み込むための階層的共変量ICA（hc-ICA）モデルを提案する。このモデルは、効率的な推定のための正確で部分空間に基づく近似EMアルゴリズムと、ボクセル単位の仮説検定手順を用い、共変量の影響を検出する。本手法は、通常の2段階的手法（例：ダブルレグレッション）が見逃した、座禅瞑修者と対照群との間での脳機能的ネットワークの有意差、特にデフォルトモードネットワークと視床皮質ネットワークの差を検出する。

ABSTRACT

Independent component analysis (ICA) is a powerful computational tool for separating independent source signals from their linear mixtures. ICA has been widely applied in neuroimaging studies to identify and characterize underlying brain functional networks. An important goal in such studies is to assess the effects of subjects' clinical and demographic covariates on the spatial distributions of the functional networks. Currently, covariate effects are not incorporated in existing group ICA decomposition methods. Hence, they can only be evaluated through ad-hoc approaches which may not be accurate in many cases. In this paper, we propose a hierarchical covariate ICA model that provides a formal statistical framework for estimating and testing covariate effects in ICA decomposition. A maximum likelihood method is proposed for estimating the covariate ICA model. We develop two expectation-maximization (EM) algorithms to obtain maximum likelihood estimates. The first is an exact EM algorithm, which has analytically tractable E-step and M-step. Additionally, we propose a subspace-based approximate EM, which can significantly reduce computational time while still retain high model-fitting accuracy. Furthermore, to test covariate effects on the functional networks, we develop a voxel-wise approximate inference procedure which eliminates the needs of computationally expensive covariance estimation. The performance of the proposed methods is evaluated via simulation studies. The application is illustrated through an fMRI study of Zen meditation.

研究の動機と目的

• 既存のグループICA手法が脳機能的ネットワークにおける共変量効果を形式的にモデル化できないという限界を解消すること。
• fMRIにおける機能的ネットワークパターンに、人口統計的・臨床的・生物学的変数が与える影響を推定・検定する統計的に厳密な最尤枠組みを構築すること。
• 部分空間に基づく近似により、高次元fMRIデータにおける推定の計算負荷を軽減しながら推定精度を維持すること。
• ダブルレグレッションのような2段階的手法よりも、機能的結合の群間差をより強力に検出できること。
• 被験者固有の変動を空間的ソース信号に、また脳ネットワークへの共変量効果に統合する統一的統計モデルを提供すること。

提案手法

• 被験者レベルの共変量をソース信号の分布に組み込むことで、グループICAを拡張した階層的共変量ICA（hc-ICA）モデルを提案する。
• モデルのパラメータを最尤推定するための正確なEMアルゴリズムを開発し、EステップとMステップが解析的に扱えるようにする。
• 潜在的ソースの低次元部分空間に集中させる部分空間に基づく近似EMアルゴリズムを導入し、計算時間を著しく短縮する。
• fMRIソース信号のスパarsityに基づく部分空間濃縮を用い、推定精度を維持しながらスケーラビリティを向上させる。
• 完全な共分散行列の逆行列を必要としないボクセル単位の近似推論手順を採用し、共変量効果を検証する。
• 複数比較補正のためのBenjamini-Yekutieli FDR補正を推論に適用する。

実験結果

リサーチクエスチョン

• RQ1 fMRIデータにおける機能的脳ネットワークに、年齢、性別、疾患状態などの共変量の効果を形式的統計モデルで推定・検証することは可能か？
• RQ2 推定精度を損なわずに、共変量を含むグループICAにおける計算効率をどのように向上させることができるか？
• RQ3 提案手法は、ダブルレグレッションのような既存の2段階的手法よりも、機能的ネットワークの群間差をより効果的に検出できるか？
• RQ4 機能的ネットワークにおける共変量効果はどの程度空間的スパarsityを示し、モデルでこれを活用できるか？
• RQ5 標準的なICAパイプラインが見逃す、瞑修者と対照群との間の機能的結合の微細な有意差を、本手法は明らかにできるか？

主な発見

• 提案されたhc-ICAは、座禅瞑修者において、対照群と比較してデフォルトモードネットワーク（DMN）および視床皮質ネットワーク（TRN）の機能的結合が顕著に強化されていることを検出した。これはダブルレグレッションでは同定されなかった。
• FDR補正済みp値により、複数比較補正後も、主要なDMNおよびTRN領域における群間差が有意であることが確認され、妥当性が裏付けられた。
• 部分空間に基づく近似EMアルゴリズムは、ソース信号の空間的重複度が中程度であっても、計算時間を大幅に短縮しながら高い推定精度を維持した。
• シミュレーション研究により、hc-ICAは既存のグループICA手法よりも共変量効果の推定と推論においてより高い正確性を示した。
• 本手法は、後頭中縁回、内側前頭前頭皮質、および左側側頭後頭皮質における機能的ネットワーク差を効果的に捉えた。これらの領域は、ダブルレグレッションでは以前検出されていなかった。
• 本モデルが微細なネットワーク差を検出できる能力は、座禅瞑修のような介入の神経生物学的効果を同定する上での優位性を示している。