[論文レビュー] On inferring structural connectivity from brain functional-MRI data

Somwrita Sarkar, Sanjay Chawla+1 more|arXiv (Cornell University)|Feb 24, 2015

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

ひとこと要約

本論文は、生理的制約とデータの自己表現性を活用して、密集したfMRI機能的結合から疎な構造的脳結合を推定するための凸最適化フレームワークを提案する。ADMMを用いることで、既知の構造的結合を的確に回復し、従来検出されなかった長距離の左右半球間結合を強く定量的にDSI/DTIデータと整合する形で予測する。

ABSTRACT

The anatomical structure of the brain can be observed via non-invasive techniques such as diffusion imaging. However, these are imperfect because they miss connections that are actually known to exist, especially long range inter-hemispheric ones. In this paper we formulate the inverse problem of inferring the structural connectivity of brain networks from experimentally observed functional connectivity via functional Magnetic Resonance Imaging (fMRI), by formulating it as a convex optimization problem. We show that structural connectivity can be modeled as an optimal sparse representation derived from the much denser functional connectivity in the human brain. Using only the functional connectivity data as input, we present (a) an optimization problem that models constraints based on known physiological observations, and (b) an ADMM algorithm for solving it. The algorithm not only recovers the known structural connectivity of the brain, but is also able to robustly predict the long range inter-hemispheric connections missed by DSI or DTI, including a very good match with experimentally observed quantitative distributions of the weights/strength of anatomical connections. We demonstrate results on both synthetic model data and a fine-scale 998 node cortical dataset, and discuss applications to other complex network domains where retrieving effective structure from functional signatures are important.

研究の動機と目的

• 機能的MRI（fMRI）データから構造的脳結合を推定する逆問題に取り組むこと。fMRIデータは実際の解剖的ネットワークよりも密で疎でない。
• 構造的結合を、既知の生理的制約を反映した機能的結合から導かれる疎な表現としてモデル化すること。
• 結合重みの分布マッチングとスパarsityの両方を統合することで、既存手法を改善すること。
• 同時にfMRIとDSI/DTIデータを有する高分解能998ノードの皮質パラセレーションデータセット上で、本手法を検証すること。
• 本手法が、拡散画像法で捉えきれない長距離の左右半球間結合を予測できるかを示すこと。

提案手法

• DSI/DTIデータで観察された結合重みの分布をマッチングし、スパarsityを強制する凸最適化問題として逆問題を定式化すること。
• 各ノードの結合が他のノードの疎な線形結合として表現可能であるというデータの自己表現性を活用し、構造的結合をモデル化すること。
• 非負の重みや既知のネットワークトポロジーといった生理的制約を最適化フレームワークに統合すること。
• 高解像度脳ネットワークデータ上で大規模最適化問題を効率的に解くために、ADMMに基づくアルゴリズムを実装すること。
• 機能的結合行列（fMRIから得る）を入力としつつ、スパarsityと実験的構造的データへの分布的一致性を強制すること。
• 機能的結合のスペクトル構造を表現するため、低次元部分空間の集合を用いることで、最適な疎な回復を可能とすること。

実験結果

リサーチクエスチョン

• RQ1 最適化フレームワークを用いることで、fMRIデータのみから構造的結合を正確に推定できるか？
• RQ2 本手法は、DSIまたはDTIで捉えきれない長距離の左右半球間結合をどの程度正確に予測できるか？
• RQ3 推定された構造的結合が、実験的DSI/DTIデータで観察された結合重みの定量的分布と一致するか？
• RQ4 既知の解剖的ネットワークと比較して、本手法はスパarsityとトポロジカル構造をどの程度正確に保持できるか？
• RQ5 fMRI機能的結合データの自己表現性を活用することで、疎で生物学的に妥当な構造的ネットワークを回復できるか？

主な発見

• 提案手法は、合成データおよび実世界データの両方で、fMRIデータから既知の構造的結合パターンを高い精度で回復した。
• アルゴリズムは、拡散画像法では捉えきれないが生物学的に存在するとされる長距離の左右半球間結合を、強固に予測した。
• 予測された結合重み分布は、fMRIデータとは異なる分布を示すが、実験的DSI/DTIデータと強く定量的に一致した。
• 推定された構造的ネットワークは、DSI/DTI解剖的ネットワークで観察された実際のスパarsityレベルに非常に近い値を達成した。
• ADMMに基づくアルゴリズムは、998ノードの皮質パラセレーション上で大規模最適化問題を効率的に解き、高解像度推定を可能にした。
• 本手法は、スパarsityと重み分布の両方を同時にモデル化することで、先行研究の主なギャップを埋め、従来手法を上回った。