[論文レビュー] Modeling Shared Responses in Neuroimaging Studies through MultiView ICA

Hugo Richard, Luigi Gresele+4 more|arXiv (Cornell University)|Jun 11, 2020

Functional Brain Connectivity Studies参考文献 69被引用数 6

ひとこと要約

本稿では、被験者間で共有される独立した源を仮定し、被験者固有の混合行列と源へのノイズを組み込んだ神経画像法の新しい確率的グループICAモデル、MultiView ICAを提案する。この手法は、交互に準ニュートン最適化を用いることで閉形式の尤度推定と高速収束を実現し、fMRIでは共通脳反応の同定における感度が向上し、セッション間のばらつきが低減するとともに、MEGデータでは既存手法に比べてより正確な源局在化を示した。

ABSTRACT

Group studies involving large cohorts of subjects are important to draw general conclusions about brain functional organization. However, the aggregation of data coming from multiple subjects is challenging, since it requires accounting for large variability in anatomy, functional topography and stimulus response across individuals. Data modeling is especially hard for ecologically relevant conditions such as movie watching, where the experimental setup does not imply well-defined cognitive operations. We propose a novel MultiView Independent Component Analysis (ICA) model for group studies, where data from each subject are modeled as a linear combination of shared independent sources plus noise. Contrary to most group-ICA procedures, the likelihood of the model is available in closed form. We develop an alternate quasi-Newton method for maximizing the likelihood, which is robust and converges quickly. We demonstrate the usefulness of our approach first on fMRI data, where our model demonstrates improved sensitivity in identifying common sources among subjects. Moreover, the sources recovered by our model exhibit lower between-session variability than other methods.On magnetoencephalography (MEG) data, our method yields more accurate source localization on phantom data. Applied on 200 subjects from the Cam-CAN dataset it reveals a clear sequence of evoked activity in sensor and source space. The code is freely available at https://github.com/hugorichard/multiviewica.

研究の動機と目的

• 神経画像研究において、被験者間の高い可変性を示す大規模コhortにおける共通機能的応答をモデリングする課題に対処すること。
• 従来の2段階アプローチの限界を克服する統計的推論に基づく、原理的で確率的なグループICAフレームワークを構築すること。
• 尤度を閉形式で定式化することで、効率的かつ頑健な共有源の推定を可能とし、高速最適化を実現すること。
• 映画鑑賞などの生態的妥当な刺激下で、共通神経応答の同定における感度と再現性を向上させること。
• fMRIおよびMEGデータセット上で手法を検証し、源同一定位の性能が優れていることを示すこと。

提案手法

• MultiView ICAモデルは、各被験者のデータが共有独立源の線形結合に加法的ガウスノイズが加わったものであると仮定し、ノイズはセンサーレベルではなく源レベルにモデル化される。
• モデルは被験者間で共通の源行列を仮定するが、個々の被験者固有の混合行列を許容することで、個々の機能的トポグラフィーを捉える。
• 源にノイズを仮定することで、尤度を閉形式で導出でき、尤度の簡素化と効率的な最適化を可能にする。
• 尤度を最大化するために、交互に準ニュートン法を考案し、高速かつ頑健な収束を確保する。
• 結果がノイズパラメータの選択に強く依存しないことを示す感度分析を組み込む。
• 次に、主成分分析（PCA）による次元削減の後、最適化されたモデルを用いて源抽出を実施する。

実験結果

リサーチクエスチョン

• RQ1 閉形式尤度を持つグループICAモデルは、fMRIおよびMEGデータにおける被験者間の共通神経応答の同定を改善できるか？
• RQ2 センサーレベルではなく源レベルにノイズをモデル化することで、より安定的かつ正確な源推定が可能になるか？
• RQ3 GroupICA、CanICA、SRM、PermICAといった既存のグループICA手法と比較して、MultiView ICAは感度と再現性において優れているか？
• RQ4 認知的作業が明確に定義されていない自然な刺激（例：映画鑑賞）下でも、共通脳応答をよりよく回復できるか？
• RQ5 phantom MEGデータにおいて、MultiView ICAはベースライン手法に比べてより正確な源局在化を達成できるか？

主な発見

• 200名の被験者を含むCam-CAN fMRIデータセットにおいて、MultiView ICAはセンサースペースおよびソーススペースの両方で、明確で時間的に順序付けられた脳活動の反応を明らかにした。
• 時間セグメントマッチングタスクにおいて、MultiView ICAはSherlockデータセットで0.873の精度を達成し、次に優れた手法（CanICA：0.607）を著しく上回った。
• 欠損被験者のBOLD信号再構成において、MultiView ICAはSherlockデータセットで平均R2スコア0.161を達成し、GroupICA（0.091）およびPCA+GroupICA（0.087）を上回った。
• phantom MEGデータにおいて、MultiView ICAは中央値再構成誤差0.0045を示し、GroupICA（0.1098）およびPCA+GroupICA（0.1111）を著しく下回った。
• MultiView ICAは、他の手法と比較してソースマップのセッション間ばらつきが低く、再現性の向上を示した。
• 感度分析により、結果がノイズパラメータの選択にほとんど依存しないことが確認され、複数のデータセットで頑健な性能を示した。