[논문 리뷰] Caulking the Leakage Effect in MEEG Source Connectivity Analysis

Eduardo Gonzalez-Moreira, Deirel Paz-Linares외 5명|arXiv (Cornell University)|2018. 09. 28.

Functional Brain Connectivity Studies참고 문헌 83인용 수 6

한 줄 요약

이 논문은 선형 소스 혼합으로 인한 유출 효과를 효과적으로 '메우는' 주파수 도메인에서 MEEG 소스 활동과 연결성을 동시에 추정하는 새로운 베이지안 방법 BC-VARETA를 소개한다. 탄력성 있는 사전 분포와 국소 2차 근사 최적화 기법을 도입함으로써 BC-VARETA는 연결성 유출을 크게 감소시켰으며, 새로운 지오데식 기반 공간 분산 및 지구 이동 거리 측정법을 통해 이를 입증하였다. 이는 기존 최첨단 방법들보다 수 개의 지수 차수만큼 뛰어난 성능을 보였다.

ABSTRACT

Simplistic estimation of neural connectivity in MEEG sensor space is impossible due to volume conduction. The only viable alternative is to carry out connectivity estimation in source space. Among the neuroscience community this is claimed to be impossible or misleading due to Leakage: linear mixing of the reconstructed sources. To address this problematic we propose a novel solution method that caulks the Leakage in MEEG source activity and connectivity estimates: BC-VARETA. It is based on a joint estimation of source activity and connectivity in the frequency domain representation of MEEG time series. To achieve this, we go beyond current methods that assume a fixed gaussian graphical model for source connectivity. In contrast we estimate this graphical model in a Bayesian framework by placing priors on it, which allows for highly optimized computations of the connectivity, via a new procedure based on the local quadratic approximation under quite general prior models. A further contribution of this paper is the rigorous definition of leakage via the Spatial Dispersion Measure and Earth Movers Distance based on the geodesic distances over the cortical manifold. Both measures are extended for the first time to quantify Connectivity Leakage by defining them on the cartesian product of cortical manifolds. Using these measures, we show that BC-VARETA outperforms most state of the art inverse solvers by several orders of magnitude.

연구 동기 및 목표

• 재구성된 소스의 선형 혼합으로 인해 발생하는 MEEG 소스 연결성 분석에서 널리 퍼져 있는 유출 문제를 해결하기 위해.
• 체류 전도로 인한 임의의 연결성의 최소화를 동시에 소스 활동과 연결성을 공동으로 추정하는 강력한 방법을 개발하기 위해.
• 공선 표면의 곡면 위에서 지오데식 거리 기반 측정법을 사용하여 연결성 유출을 엄밀하게 정의하고 정량화하기 위해.
• 고정된 가우시안 그래픽 모델을 넘어서 MEEG에서 신경 연결성 추정의 정확성과 신뢰성을 향상시키기 위해.
• 베이지안 사전 분포와 국소 2차 근사 기법을 통한 계산 최적화 프레임워크를 제공하기 위해.

제안 방법

• MEEG 시간 시리즈의 주파수 도메인 표현에서 소스 활동과 연결성을 동시에 추정하는 베이지안 프레임워크인 BC-VARETA를 제안한다.
• 소스 연결성의 그래픽 모델에 탄력성 있는 사전 분포를 사용하여 강력하고 적응 가능한 추론을 가능하게 한다.
• 일般적인 사전 모델 하에서 사후 추정치를 효율적으로 계산하기 위해 국소 2차 근사를 적용하여 계산 확장성을 향상시킨다.
• 공선 표면의 카티esian 곱 곡면 위에서 공간 분산 측정법과 지구 이동 거리 거리 기반으로 연결성 추정치의 공간 분산을 정량화하기 위해 유출을 정의한다.
• 공선 표면의 곱 곡면에 지오데식 거리 기반 측정법을 확장하여 연결성 추정치가 진짜 공간 구조에서 얼마나 벗어나 있는지 평가한다.
• 스펙트럼 해상도 향상과 연결성 추정에서의 노이즈 증폭 감소를 위해 주파수 도메인 처리를 통합한다.

실험 결과

연구 질문

• RQ1 공동 추정 프레임워크는 기존의 역 문제 해법보다 MEEG 소스 연결성 분석에서의 유출을 더 효과적으로 줄일 수 있는가?
• RQ2 공선 표면의 기하 측정법을 사용하여 연결성 유출을 어떻게 엄밀하게 정량화할 수 있는가?
• RQ3 베이지안 프레임워크에 탄력성 있는 사전 분포를 통합할 경우 MEEG에서 연결성 추정의 정확도는 어느 정도 향상되는가?
• RQ4 국소 2차 근사는 고차원 소스 연결성 문제에서 효율적이고 정확한 추론을 가능하게 하는가?
• RQ5 제안된 방법은 유출 감소와 연결성 정확도 측면에서 최첨단 해법을 능가하는가?

주요 결과

• 새로운 지오데식 기반의 유출 측정법을 사용하여 BC-VARETA는 최첨단 역 문제 해법 대비 연결성 유출을 수 개의 지수 차수만큼 감소시켰다.
• 제안된 공간 분산 측정법과 공선 표면의 곱 곡면 위에서의 지구 이동 거리 거리는 연결성 유출의 첫 번째 엄밀하고 기하학적으로 기반을 둔 정량화를 제공한다.
• 탄력성 있는 사전 분포를 갖춘 베이지안 프레임워크는 고정된 가우시안 그래픽 모델보다 더 정확하고 안정적인 연결성 추정을 가능하게 한다.
• 국소 2차 근사는 복잡한 사후 분포의 효율적 계산을 가능하게 하여, 이 방법이 실제 MEEG 데이터셋에 대해 확장 가능한 성능을 발휘하게 한다.
• 높은 노이즈와 낮은 신호 대비 잡음 조건에서도 BC-VARETA는 연결성 추정에서 뛰어난 성능을 발휘한다.
• 실험적 검증을 통해 BC-VARETA는 진짜 연결성 패턴을 유지하면서 동시에 유사한 연결선을 최소화하는 데서 기존 방법들을 능가함을 확인했다.