[論文レビュー] PrAGMATiC: a Probabilistic and Generative Model of Areas Tiling the Cortex

Alexander G. Huth, Thomas L. Griffiths+2 more|arXiv (Cornell University)|Apr 14, 2015

Neural dynamics and brain function参考文献 17被引用数 10

ひとこと要約

PrAGMATiC は、皮質領域をばねで接続された重心としてモデル化することで、解剖的共登録を必要とせずに神経画像データから集団レベルの皮質マップを推定する階層ベイジアン生成モデルである。確率的推論を用いて被験者間で共有されるトポグラフィー的組織と機能的選択性を学習し、機能的データへの適用可能性と、自動ROIラベリングおよび表現類似性解析への応用可能性を示している。

ABSTRACT

Much of the human cortex seems to be organized into topographic cortical maps. Yet few quantitative methods exist for characterizing these maps. To address this issue we developed a modeling framework that can reveal group-level cortical maps based on neuroimaging data. PrAGMATiC, a probabilistic and generative model of areas tiling the cortex, is a hierarchical Bayesian generative model of cortical maps. This model assumes that the cortical map in each individual subject is a sample from a single underlying probability distribution. Learning the parameters of this distribution reveals the properties of a cortical map that are common across a group of subjects while avoiding the potentially lossy step of co-registering each subject into a group anatomical space. In this report we give a mathematical description of PrAGMATiC, describe approximations that make it practical to use, show preliminary results from its application to a real dataset, and describe a number of possible future extensions.

研究の動機と目的

• 脳構造の解剖的変異が著しい状況下でも、個人間で一貫したトポグラフィック皮質マップを同定する手法を開発すること。
• 従来の共登録法やROIベースの手法の限界を克服するため、統合的確率的フレームワーク内で機能的および解剖的制約を統合すること。
• 完全な解剖的一致を仮定せず、集団レベルの統計的モデリングを用いたデータ駆動型の機能的皮質マップの同定を可能にすること。
• 自動ROIラベリング、表現類似性解析、安静状態データモデリングといった応用を支援すること。

提案手法

• PrAGMATiC は、皮質マップをばねで接続された領域重心の系としてモデル化し、ばねの長さと剛性が被験者間のトポグラフィー的関係を表現する。
• モデルはマップ配置と機能的発生の確率をボルツマン分布で定義し、被験者間で共有されるパラメータを用いて集団レベルの組織を捉える。
• 機能的反応は、領域所属を条件とする多変量正規分布としてモデル化され、平均反応は刺激特徴の線形結合または時系列共分散から導出される。
• ばね定数、長さ、機能的重みといったモデルパラメータは、コントラスト型分散に類似したマルコフ連鎖モンテカルロ法を用いた最尤推定により学習される。
• 休息状態データへの応用を可能にするために、ワイシャールト分布を用いた共分散ベースのモデリングへの拡張が可能であり、ボクセル単位の機能的モデルのエンドツーエンド適合も可能である。
• Gibbsサンプリングとシミュレーテッドアニーリングを適用することで、新しい被験者における学習済みラベル付き領域構成に基づいてラベルを自動割り当て可能である。

実験結果

リサーチクエスチョン

• RQ1 解剖的アライメントが信頼できない状況下で、個人間で一貫したトポグラフィック皮質マップをどのように同定できるか？
• RQ2 事前の共登録を必要とせずに、確率的生成モデルが機能的選択性と皮質領域の空間的組織を同時に学習できるか？
• RQ3 PrAGMATiC は、純粋に解剖的または機能的アライメント手法と比較して、被験者間の機能的マップ推定をどの程度改善できるか？
• RQ4 局所化データを用いて、Fusiform Face Area (FFA) や Parahippocampal Place Area (PPA) といった既知の機能的ROIを新しい被験者に自動でラベリングできるか？
• RQ5 領域レベルの表現類似性行列を用いた表現類似性解析を、PrAGMATiC がどのように適合可能か？

主な発見

• PrAGMATiC は、領域配置をばね系としてモデル化することで、解剖的正規化を必要とせずに被験者間で共有される皮質マップ組織を効果的に推定した。
• ばねの長さと剛性の共通パラメータを学習することで、トポグラフィー的関係を表現し、被験者間の機能的マップ推定が向上した。
• 予備的結果では、PrAGMATiC が実際のfMRIデータセットに適用可能であり、集団解剖的テンプレートに依存せずに一貫した機能的マップを明らかにできることを示した。
• 事前に学習済みのラベル付きモデルを用いて、新しい被験者の領域構成を最尤確率が最大になるように最適化することで、自動ROIラベリングが可能になった。
• ワイシャールト分布を用いて領域間の機能的共分散行列をモデリングすることで、休息状態データへの応用が可能となり、機能的結合性のみから無教師パラセレーションが可能になった。
• 生成フレームワーク内にボクセル単位の機能的モデリングを統合することで、エンドツーエンド推論が可能となり、領域境界と機能的重みの同時推定が可能になった。