[논문 리뷰] Bayesian Inference of Whole-Brain Networks

Max Hinne, Tom Heskes외 1명|arXiv (Cornell University)|2012. 02. 08.

Advanced Neuroimaging Techniques and Applications참고 문헌 37인용 수 10

한 줄 요약

이 논문은 베이지안 연결망학(Bayesian connectomics)을 소개한다. 이는 확률적 트랙토그래피 데이터로부터 전체 뇌의 구조적 네트워크를 추론하기 위한 원칙적인 베이지안 프레임워크로, 그래프에 대한 사후분포를 모델링하고, 스트림라인 데이터에 대한 가능도 모델과 지식 기반의 네트워크 성질을 반영하는 지수형 무작위 그래프(ERGM) 사전분포를 사용한다. 이 방법은 기존의 임계값 설정 방식보다 더 정확하게 시뮬레이션에서 진짜 연결성을 복원하며, 사전 지식이 제공될 경우 특히 뛰어난 성능을 보인다.

ABSTRACT

In structural brain networks the connections of interest consist of white-matter fibre bundles between spatially segregated brain regions. The presence, location and orientation of these white matter tracts can be derived using diffusion MRI in combination with probabilistic tractography. Unfortunately, as of yet no approaches have been suggested that provide an undisputed way of inferring brain networks from tractography. In this paper, we provide a computational framework which we refer to as Bayesian connectomics. Rather than applying an arbitrary threshold to obtain a single network, we consider the posterior distribution of networks that are supported by the data, combined with an exponential random graph (ERGM) prior that captures a priori knowledge concerning the graph-theoretical properties of whole-brain networks. We show that, on simulated probabilistic tractography data, our approach is able to reconstruct whole-brain networks. In addition, our approach directly supports multi-model data fusion and group-level network inference.

연구 동기 및 목표

• 확률적 트랙토그래피 데이터로부터 전체 뇌의 구조적 네트워크를 추론하기 위한 원칙적인 방법이 부족한 문제를 해결하기 위해.
• 스트림라인 데이터의 불확실성을 고려하는 통계적으로 엄밀한 프레임워크로 히وري스틱 임계값 설정 방법을 대체하기 위해.
• 네트워크 구조에 대한 사전 지식을 통합함으로써 다중 모odal 데이터 융합 및 집단 수준의 네트워크 추론을 가능하게 하기 위해.
• 시뮬레이션 데이터에서 프레임워크를 검증하고 기존 방법보다 향상된 정확도를 입증하기 위해.

제안 방법

• 이 프레임워크는 전체 뇌 네트워크에 대한 사후분포를 모델링하기 위해 마르코프 체인 몬테카를로(MCMC) 샘플링을 사용하여 가능한 그래프 공간을 탐색한다.
• 스트림라인 카운트의 노이즈를 표현하기 위해 다변량 딜리클레 분포를 사용하여 가능도 모델을 정의한다.
• 지수형 무작위 그래프 모델(ERGM) 사전분포는 클러스터링, 경로 길이, 소월드 구조와 같은 그래프 이론적 성질에 대한 사전 지식을 표현한다.
• 사전분포는 네트워크 구조에 영향을 주는 β로 파arameter화되며, 가짜 양성 스트림라인 확률을 모델링하기 위한 초모수 a̅와 a̲를 포함한다.
• 다양한 피험자나 모odal 데이터로부터의 데이터를 동일한 확률적 프레임워크 내에서 통합함으로써 다중 모델 융합 및 집단 수준의 추론을 지원한다.
• 주요 네트워크 복원으로서 최대 사후확률(MAP) 추정치를 사용하며, 데이터 증거와 사전 제약 조건 사이의 균형을 이룬다.

실험 결과

연구 질문

• RQ1 베이지안 연결망학은 시뮬레이션된 확률적 트랙토그래피 데이터로부터 진짜 전체 뇌 네트워크를 정확하게 복원할 수 있는가?
• RQ2 지식 기반의 ERGM 사전분포를 통합할 경우, 임계값 설정이나 무정보 사전분포에 비해 네트워크 복원 정확도가 향상되는가?
• RQ3 이 프레임워크는 연결망학에서 다중 모달리티 데이터 융합 및 집단 수준의 네트워크 추론을 어떻게 지원하는가?
• RQ4 초모수 설정이 네트워크 복원 성능에 어떤 영향을 미치는가?

주요 결과

• 베이지안 연결망학 접근법은 시뮬레이션 데이터에서 진짜 연결 구조를 성공적으로 복원하여 장거리 연결의 거의 완벽한 복원을 달성했다.
• 최대 사후확률(MAP) 해법은 스트림라인 노이즈로 인한 가짜 양성 결과로 고통받는 기존의 임계값 설정 및 최대우도(ML) 방법보다 뚜렷이 뛰어난 성능을 보였다.
• 특히 β=2로 설정된 지식 기반 사전분포를 사용함으로써, 빈 그래프가 가장 가능성이 높다고 가정하는 상황에서도 소월드 네트워크 특성을 정확하게 복원할 수 있었다.
• 특히 교차 및 산란 섬유와 같은 모호한 섬유 구성에서 스트림라인 데이터의 가짜 양성에 대해 뛰어난 강건성을 보였다.
• 다양한 데이터 소스를 단일 확률 모델 내에서 통합함으로써, 이 프레임워크는 자연스럽게 다중 모달리티 데이터 융합 및 집단 수준의 추론을 지원한다.