[논문 리뷰] A Graph Signal Processing View on Functional Brain Imaging

Weiyu Huang, Thomas A. W. Bolton외 4명|arXiv (Cornell University)|2017. 09. 29.

Functional Brain Connectivity Studies참고 문헌 82인용 수 8

한 줄 요약

이 논문은 구조적 뇌 네트워크와 기능적 뇌 신호를 통합하여 동적 뇌 활동을 분석하는 그래프 신호 처리(GSP) 프레임워크를 제안한다. 기능적 자기공명영상(BOLD) 신호를 구조적 연결성 그래프 위의 그래프 신호로 간주함으로써, 저주파수 및 고주파수 그래프 모드 모두가 의미 있는 정보를 담고 있음을 입증한다. 특히 주의 관련 네트워크에서 해부학적으로 일치하는 신호는 더 높은 시간적 변동성을 보이며, 이는 서로 가짜 데이터 분석과 스펙트럼 분해를 통해 검증되었다.

ABSTRACT

Modern neuroimaging techniques provide us with unique views on brain structure and function; i.e., how the brain is wired, and where and when activity takes place. Data acquired using these techniques can be analyzed in terms of its network structure to reveal organizing principles at the systems level. Graph representations are versatile models where nodes are associated to brain regions and edges to structural or functional connections. Structural graphs model neural pathways in white matter that are the anatomical backbone between regions. Functional graphs are built based on functional connectivity, which is a pairwise measure of statistical interdependency between activity traces of regions. Therefore, most research to date has focused on analyzing these graphs reflecting structure or function. Graph signal processing (GSP) is an emerging area of research where signals recorded at the nodes of the graph are studied atop the underlying graph structure. An increasing number of fundamental operations have been generalized to the graph setting, allowing to analyze the signals from a new viewpoint. Here, we review GSP for brain imaging data and discuss their potential to integrate brain structure, contained in the graph itself, with brain function, residing in the graph signals. We review how brain activity can be meaningfully filtered based on concepts of spectral modes derived from brain structure. We also derive other operations such as surrogate data generation or decompositions informed by cognitive systems. In sum, GSP offers a novel framework for the analysis of brain imaging data.

연구 동기 및 목표

• 구조적 뇌 네트워크 위에 기능적 뇌 영상 데이터를 분석하는 데 그래프 신호 처리(GSP)를 활용하는 통합 프레임워크를 개발하는 것.
• 뇌 활동이 동적 인지 과정(예: 주의 전환)의 맥락에서 구조적 연결성과 얼마나 일치하거나 이탈하는지 조사하는 것.
• 관측된 기능적 영상에서의 신호 패턴이 무작위 변동을 초월해 통계적으로 유의미한지, 서로 가짜 데이터 생성을 통해 평가하는 것.
• 스펙트럼 필터링 및 분해와 같은 GSP 도구가 시간 해상도가 높은 기능적 다이나믹스를 어떻게 포착할 수 있는지 탐색하는 것.
• 저주파수와 고주파수 그래프 모드가 모두 생물학적으로 관련된 정보를 담고 있음을 입증하여, 기존에 저주파수만 의미 있는 신호로 간주하는 관념에 도전하는 것.

제안 방법

• 확산 MRI로부터 유도된 구조적 연결성을 엣지로, 뇌 영역을 노드로 간주하여 뇌의 해부학적 기반을 나타내는 그래프를 구성하는 것.
• fMRI BOLD 신호를 구조적 그래프의 노드 위에 정의된 그래프 신호로 간주하여, 그래프 라플라스 행렬 또는 기타 이동 연산자들을 통해 스펙트럼 분석을 수행하는 것.
• 스펙트럼 윈도우 함수(예: 확산 커널)를 사용한 그래프 필터링 기법을 적용하여, 다양한 그래프 주파수에 해당하는 기능적 활동 성분을 분리하는 것.
• 그래프 구조를 유지하면서 신호를 무작위화하여 null 모델을 생성하고, 관측된 신호 패턴의 유의미성을 시험하기 위해 서로서 가짜 데이터 생성을 사용하는 것.
• 공간-시간 동시 분해 및 국소화된 신호 분석을 수행하여 구조적 조직과 일치하는 시간에 따라 변하는 특징을 추출하는 것.
• 실제 주의 전환 작업 동안의 fMRI 데이터를 사용하여 결과를 검증하고, 편측-뇌간 및 전두-측두 네트워크에서의 신호 행동을 비교하는 것.

실험 결과

연구 질문

• RQ1 기능적 뇌 신호는 스펙트럼 정렬 또는 이탈 측면에서 기저 구조적 연결성 그래프와 어떻게 관련되어 있는가?
• RQ2 주의 전환과 같은 인지 과업 중에 어떤 그래프 주파수 성분(저주파수 또는 고주파수)이 더 유의미한 다이나믹스를 담고 있는가?
• RQ3 구조적 연결성과의 신호 정렬 패턴이 통계적으로 유의미한가, 아니면 무작위 변동에서 비롯된 것인가?
• RQ4 GSP 기반 필터링 및 분해 방법은 전통적인 동적 기능적 연결성 접근법에 비해 더 세밀한 시간 해상도의 기능적 다이나믹스를 드러낼 수 있는가?
• RQ5 그래프 신호 처리가 뇌의 구조적 및 기능적 데이터를 얼마나 잘 조화시켜 신경 다이나믹스의 해석을 향상시킬 수 있는가?

주요 결과

• 주의 전환 과업 중 편측-뇌간 및 전두-측두 네트워크에서 해부학적으로 일치하는 신호(구조적 그래프의 고유벡터와 일치하는 신호)는 더 높은 시간적 변동성을 보였다.
• 저주파수와 고주파수 그래프 모드 모두가 생물학적으로 의미 있는 정보를 담고 있으며, 이는 고주파수는 노이즈로 간주되는 기존의 가정에 도전한다.
• 서로 가짜 데이터 분석을 통해 관측된 구조적 연결성과의 신호 정렬이 통계적으로 유의미하며, 무작위 순열에서 기인한 것이 아님을 확인하였다.
• GSP 프레임워크를 통해 기능적 다이나믹스의 프레임 단위 시간 해상도 분석이 가능하여, 슬라이딩 윈도우 상관계수 기반의 2차 통계 방법에 비해 우월한 성능을 보였다.
• 다양한 그래프 이동 연산자(예: 인접행렬 및 라플라스 행렬)에 대해 일반화 가능하며, 다양한 변형에서도 일관된 결과를 보여 안정성을 입증하였다.
• 확산 커널을 사용한 그래프 필터링이 신경 확산 과정과 잘 맞아떨어지며, 질병 진행 및 기능적 네트워크의 기능적 기원을 모델링할 잠재적 가능성을 시사한다.