[論文レビュー] Uncovering the Topology of Time-Varying fMRI Data using Cubical Persistence

Bastian Rieck, Tristan S. Yates+5 more|arXiv (Cornell University)|Jun 14, 2020

Topological and Geometric Data Analysis参考文献 68被引用数 35

ひとこと要約

本論文は、非パラメトリックで座標依存性のないトポロジー的フレームワークを導入し、時間変化する fMRI データを cubical persistence diagrams として符号化し、それらをクラスタリングと脳状態の軌跡分析に用いて、年齢に関連する差を明らかにする。

ABSTRACT

Functional magnetic resonance imaging (fMRI) is a crucial technology for gaining insights into cognitive processes in humans. Data amassed from fMRI measurements result in volumetric data sets that vary over time. However, analysing such data presents a challenge due to the large degree of noise and person-to-person variation in how information is represented in the brain. To address this challenge, we present a novel topological approach that encodes each time point in an fMRI data set as a persistence diagram of topological features, i.e. high-dimensional voids present in the data. This representation naturally does not rely on voxel-by-voxel correspondence and is robust to noise. We show that these time-varying persistence diagrams can be clustered to find meaningful groupings between participants, and that they are also useful in studying within-subject brain state trajectories of subjects performing a particular task. Here, we apply both clustering and trajectory analysis techniques to a group of participants watching the movie 'Partly Cloudy'. We observe significant differences in both brain state trajectories and overall topological activity between adults and children watching the same movie.

研究の動機と目的

• ボクセル毎の対応に依存しない、頑健でノイズ耐性のある時間変化する fMRI データの表現を動機づける。
• 時間を跨ぐ fMRI ボリュームのトポロジー記述子として cubical persistence を導入する。
• 時間変化するトポロジー特徴量をクラスタリングして群差を明らかにし、被験者内の脳状態の軌跡を研究できることを示す。
• トポロジー特徴量が年齢予測を改善し、脳処理の発達差を明らかにできることを示す。

提案手法

• 各 fMRI ボリュームを cubical complex に変換し、ボクセルを頂点とし、六近接が辺を定義する。
• 各 cubical 要素に、その要素内の最大ボクセル活性を用いて時間ステップ特有の濾過値を割り当てる。
• Time-slice persistent homology を計算して、参加者ごとの時間変化する persistence diagrams を得る。
• persistence diagrams をベクトル化し、静的解析のために ||D||∞ や ||D||p (p=1) のような統計量で要約する。
• persistence diagrams を persistence images に変換して、動的軌跡分析と機械学習手法を可能にする。
• クラスタリング、年齢予測回帰、および脳状態の軌跡視覚化（PHATE）を用いて年齢関連の差を分析する。

実験結果

リサーチクエスチョン

• RQ1 ボクセル毎の対応なしで cubical persistence を用いて時間変化する fMRI データを頑健に表現できるか？
• RQ2 自然的な映画視聴中の脳活動において、時間変化するトポロジー特徴が年齢関連の差を明らかにするか？
• RQ3 年齢予測において、トポロジー表現はベースラインのボクセル/機能的結合アプローチよりも有益か？
• RQ4 コホートの脳状態の軌跡は認知処理の発達について何を示すのか？
• RQ5 自然刺激のイベント境界とトポロジー特徴の変動性はどう関連するか？

主な発見

• Time-varying persistence diagrams derived from cubical complexes capture meaningful, noise-robust topological information from fMRI data.
• Topological features separate adults from children in embeddings, more clearly than baseline correlation-based representations.
• Summary statistics of persistence diagrams (notably ||D||∞) improve age-prediction performance compared to baselines.
• Cohort brain-state trajectories show distinct, age-related trajectory shapes and higher entropy in older participants for cognitively demanding processing.
• Event-processing variability analysis reveals stronger cross-cohort differences in occipital-temporal masks around event boundaries.
• Persistence images enable dynamic trajectory analyses and reveal developmental differences in brain-state evolution.