[論文レビュー] Nonparametric Modeling of Dynamic Functional Connectivity in fMRI Data

Søren F. V. Nielsen, Kristoffer H. Madsen+3 more|arXiv (Cornell University)|Jan 4, 2016

Functional Brain Connectivity Studies参考文献 23被引用数 5

ひとこと要約

本稿では、事前にウィンドウ長や状態数を指定せずに、fMRIにおける動的機能的結合（FC）を非パrametricなベイジアンモデル、IHMM-Wishartを提案する。予測尤度を用いて、被験者内および被験者間で運動タスクと安静状態を明確に区別できた。動的FC状態は主に被験者固有のばらつきや前処理の差異によって駆動されており、タスク条件によるものではないことが明らかになった。

ABSTRACT

Dynamic functional connectivity (FC) has in recent years become a topic of interest in the neuroimaging community. Several models and methods exist for both functional magnetic resonance imaging (fMRI) and electroencephalography (EEG), and the results point towards the conclusion that FC exhibits dynamic changes. The existing approaches modeling dynamic connectivity have primarily been based on time-windowing the data and k-means clustering. We propose a non-parametric generative model for dynamic FC in fMRI that does not rely on specifying window lengths and number of dynamic states. Rooted in Bayesian statistical modeling we use the predictive likelihood to investigate if the model can discriminate between a motor task and rest both within and across subjects. We further investigate what drives dynamic states using the model on the entire data collated across subjects and task/rest. We find that the number of states extracted are driven by subject variability and preprocessing differences while the individual states are almost purely defined by either task or rest. This questions how we in general interpret dynamic FC and points to the need for more research on what drives dynamic FC.

研究の動機と目的

• ウィンドウ長や動的状態数を事前に指定せずに、fMRIにおける動的機能的結合の非パrametricベイジアンモデルを構築すること。
• 予測尤度を用いて、完全に教師なしの設定で、モデルが運動タスクと安静状態を区別できるかどうかを評価すること。
• 集団レベルで動的FC状態が出現する要因として、タスク、被験者固有のばらつき、または前処理の差異のうち、どれが主因であるかを調査すること。
• モデルが被験者間で一般化できる能力を評価し、fMRIデータにおける脳状態のバイオマーカーを同定すること。

提案手法

• 状態数を固定しない状態遷移をモデル化するため、無限大の隠れマルコフモデル（IHMM）にスティックバーゲン構造（GEM）を適用する。
• 状態固有の共分散行列に逆ウィッシュァート事前分布を適用し、機能的結合パターンを非パrametricにモデル化する。
• 状態固有の共分散行列を用いたガウス尤度を採用し、時間的に変化する大きさパラメータでスケーリングすることで、データのアモルティチュードに不変となるようにする。
• ホールドアウトされたテストデータ上で、運動タスクと安静状態を区別するモデルの性能を予測尤度を用いて検証する。
• 被験者間およびタスク間で完全に教師なしの設定で、全被験者データを統合してグループレベルの分析を実施する。
• 事後サンプルを用いて相互情報量を計算し、被騟能者、タスク、前処理の各要因が状態ダイナミクスに与える影響を定量化する。

実験結果

リサーチクエスチョン

• RQ1 IHMM-Wishartモデルは、ウィンドウ長や状態数を事前に知らなくても、fMRIデータにおける運動タスクと安静状態を区別できるか？
• RQ2 動的機能的結合状態が出現する要因として、タスク条件、被験者固有のばらつき、または前処理の差異のうち、どれが主因であるか？
• RQ3 推定された動的状態の数は被験者や条件によってどのように変化し、その変動に影響を与える要因は何か？
• RQ4 モデルはどの程度被験者間で一般化でき、タスク固有の動的状態を同定できるか？
• RQ5 前処理のばらつきは、集団レベルでの動的FC状態の構造と解釈にどのように影響を与えるか？

主な発見

• 予測尤度を用いた分析では、平均して28名中26.5名の被験者で運動状態と安静状態を明確に区別でき、強力な識別能力を示した。
• 被験者内分析では、ほとんどのモデルが単一の動的状態しか推定しなかった。これは、116個の時系列ポイントというデータサイズの制限により、個々の被騟能者に明確な動的構造が見られないことを示唆している。
• 集団レベルでは、2つ以上の動的状態が推定され、状態は明確に運動または安静状態に関連しており、混合状態は認められなかった。
• 被騟能者固有の識別子と前処理の差異が、状態シーケンスとの相互情報量がタスク条件よりも高かったことから、動的状態構造の主な駆動要因であると判明した。
• モデルは、タスク種別よりも前処理のばらつきが動的FC状態に強く影響していることを明らかにした。これは、タスク駆動のダイナミクスを前提とする仮定に疑問を呈するものである。
• ICA成分マップは、運動関連ネットワークが運動状態の共分散行列で一貫して活性化されており、安静状態のマトリクスでは抑制されていることを確認した。