[論文レビュー] Temporal and Spatial Independent Component Analysis for fMRI data sets embedded in a R package

Cécile Bordier, Michel Dojat+1 more|arXiv (Cornell University)|Dec 1, 2010

Blind Source Separation Techniques参考文献 37被引用数 4

ひとこと要約

本論文は、fMRI データに対する時間的および空間的独立成分分析（ICA）を可能にする R パッケージ拡張子 TS-ICA を紹介している。線形代数の結果を活用することで、大規模な fMRI データセットにおいて時間的 ICA の計算が tractable なものとなる。この手法は合成データおよび実際の fMRI データにおいても頑健な性能を示し、神経科学者に、従来のモデルベースの GLM 手法とは対照的に、タスク関連および自発的脳活動パターンを検出するための柔軟でデータ駆動型の代替手法を提供する。

ABSTRACT

For statistical analysis of functional Magnetic Resonance Imaging (fMRI) data sets, we propose a data-driven approach based on Independent Component Analysis (ICA) implemented in a new version of the AnalyzeFMRI R package. For fMRI data sets, spatial dimension being much greater than temporal dimension, spatial ICA is the tractable approach generally proposed. However, for some neuroscientific applications, temporal independence of source signals can be assumed and temporal ICA becomes then an attracting exploratory technique. In this work, we use a classical linear algebra result ensuring the tractability of temporal ICA. We report several experiments on synthetic data and real MRI data sets that demonstrate the potential interest of our R package.

研究の動機と目的

• 従来の fMRI 分析手法が予め定義された血行動態的応答関数やモデル仮定に依存するという限界を解消すること。
• 時間的独立性が妥当であると仮定できる状況において、時間的 ICA を空間的 ICA に対する実用的な代替手段として可能にすること。
• R パッケージ AnalyzeFMRI 内で、時間的および空間的 ICA の両方に対応した、計算効率的かつメモリ最適化された FastICA の実装を提供すること。
• 合成および実際の fMRI データセット上でこの手法を検証し、既知の活性パターンの回復および予期しない反応の検出能力を示すこと。
• 神経画像研究者にとって、強い事前モデル化制約なしに、内在的な脳ネットワーク組織を探索できるスケーラブルでオープンソースのツールを提供すること。

提案手法

• 時間の次元数がボクセル数に比べてはるかに小さい fMRI データに対して、時間的 ICA の tractability を保証する古典的な線形代数の結果を活用する。
• R パッケージ AnalyzeFMRI 内で FastICA アルゴリズムを実装し、大規模な fMRI データセットを効率的に処理できるようにメモリ最適化を施す。
• 時間系列を確率変数として扱い、時間軸にわたる統計的独立成分を求める時間的 ICA を適用する。この際、時間的非ガウス性を仮定する。
• 空間パターンを確率変数として扱い、ボクセル間における独立成分を求める空間的 ICA を適用する。この際、空間的非ガウス性を仮定する。
• 信号が相関している場合のソース回復を改善するために、事前知識に基づく位相および周波数制約（例：正弦波形）を用いた最小二乗法を適用する。
• パrametric信号モデルに基づき、モデル化された波形と推定波形との間の二乗差の和を最小化する数値最適化を用いる。

実験結果

リサーチクエスチョン

• RQ1 時間の次元数がボクセル数に比べてはるかに小さい fMRI データセットにおいて、時間的 ICA が計算的に tractable にできるか。
• RQ2 合成および実際の fMRI データにおいて、時間的 ICA と空間的 ICA が既知の反応および予期しない脳活性化パターンを検出する能力に差は生じるか。
• RQ3 信号が統計的に独立でない場合、時間的 ICA が異なる位相を持つ正弦波形をどの程度回復できるか。
• RQ4 提案された R パッケージが、統合的かつユーザーフrndリンドな環境で時間的および空間的 ICA のワークフローを効果的にサポートできるか。
• RQ5 従来の GLM ベースの手法と比較して、この手法はタスク関連および自発的脳ネットワーク活動をどの程度効果的に検出できるか。

主な発見

• 数学的結果により、時間の次元数が独立成分の推定に十分であることが保証されるため、大規模 fMRI データセットにおける時間的 ICA は計算的に実行可能である。
• TS-ICA パッケージは、位相が異なる進行波を含む既知の活性パターンを合成データで正確に回復し、相関する信号成分に対しても頑健であることを示した。
• 実際の fMRI データにおいて、時間的 ICA は期待されるタスク関連活性を検出するとともに、聴覚系における従来のモデルに組み込まれていない反応（例：一時的または非標準的な応答）も検出でき、GLM を上回る性能を示した。
• 空間的 ICA は、既存の文献と整合する機能的特化領域を fMRI データから同定した。特に、時間プロファイルが明確に異なるため、皮質および脳幹ネットワークの分離が可能であった。
• この手法により、GLM ベースの手法が広範な ICA で同定された活性化領域の一部しか検出できないことが明らかになった。これは、ICA がより広範かつ多様なネットワークを捉える能力に優れていることを示している。
• このパッケージは、時間的および空間的 ICA の両方を効率的かつスケーラブルに処理でき、強いモデル仮定なしに再現可能で探索的神経画像研究を支援する。