[논문 리뷰] Curvature-based Methods for Brain Network Analysis

Melanie Weber, Johannes Stelzer외 4명|arXiv (Cornell University)|2017. 07. 01.

Functional Brain Connectivity Studies참고 문헌 14인용 수 11

한 줄 요약

이 논문은 fMRI 데이터에서 파생된 작업 관련 뇌망에 대해 Forman-Ricci 곡률을 사용한 곡률 기반 네트워크 분석 방법을 제안한다. 노드가 아닌 간선에 곡률 점수를 할당함으로써, 이 방법은 다음과 같은 특징을 드러낸다: 낮은 곡률 간선(⟨ -4000)은 정서 처리 네트워크의 핵심에 국한되며, 높은 곡률 간선(⟩ -500)은 기본 모드 네트워크와 대응한다. 모든 간선에 걸쳐 간선 밀도와 곡률 간에 강한 음의 상관관계(μ = -0.565)가 관찰된다.

ABSTRACT

The human brain forms functional networks on all spatial scales. Modern fMRI scanners allow to resolve functional brain data in high resolutions, allowing to study large-scale networks that relate to cognitive processes. The analysis of such networks forms a cornerstone of experimental neuroscience. Due to the immense size and complexity of the underlying data sets, efficient evaluation and visualization remain a challenge for data analysis. In this study, we combine recent advances in experimental neuroscience and applied mathematics to perform a mathematical characterization of complex networks constructed from fMRI data. We use task-related edge densities [Lohmann et al., 2016] for constructing networks of task-related changes in synchronization. This construction captures the dynamic formation of patterns of neuronal activity and therefore represents efficiently the connectivity structure between brain regions. Using geometric methods that utilize Forman-Ricci curvature as an edge-based network characteristic [Weber et al., 2017], we perform a mathematical analysis of the resulting complex networks. We motivate the use of edge-based characteristics to evaluate the network structure with geometric methods. The geometric features could aid in understanding the connectivity and interplay of brain regions in cognitive processes.

연구 동기 및 목표

• 대규모 fMRI 유래 뇌망을 대상으로 한 새로운 기하학적 네트워크 분석 방법을 개발하기 위해.
• 기존의 노드 기반 네트워크 지표의 한계를 극복하기 위해 간선 기반 곡률 특성 도입을 위해.
• 곡률을 새로운 분석 시각으로 사용하여 작업 관련 뇌망의 위상적 구조를 조사하기 위해.
• 다양한 피험자 샘플 간에 곡률 기반 네트워크 특성의 재현성과 강건성 평가하기 위해.
• 기존의 노드 기반 네트워크 측정치로는 완전히 포착되지 않는 기능적 뇌망 구성 요소를 식별하기 위해 곡률과 간선 밀도 간의 관계 탐색하기 위해.

제안 방법

• 작업 조건와 기본 상태 조건 간의 동기화 차이에 초점을 맞춰 fMRI 데이터에서 작업 관련 뇌망을 구성하기 위해 Task-Related Edge Density (TED) 방법을 사용한다.
• TED 네트워크의 간선에 대해 Forman-Ricci 곡률을 적용하며, 간선 및 노드 가중치에 의존하는 이산 곡률 공식을 사용한다.
• 간선 가중치는 상관계수 강도에서 유도되고, 노드 가중치는 국소 연결성에서 유도되며, 값은 [0,1] 범위 내에 있다.
• 재현성 평가를 위해 400명의 코hort에서 무작위로 100명씩 10개의 샘플 네트워크를 추출하여 곡률 분석을 수행한다.
• 허브성 지도에 고곡률 및 저곡률 간선을 투영하여 네트워크 구성 요소의 공간 국소화를 시각화한다.
• 다양한 곡률 범위에서 간선 밀도와 Forman-Ricci 곡률 간의 상관관계를 계산하여 그 관계를 평가한다.

실험 결과

연구 질문

• RQ1 Forman-Ricci 곡률은 fMRI 데이터에서 유도된 작업 관련 뇌망에서 어떤 위상적 특징을 드러내는가?
• RQ2 대규모 뇌망에서 간선 밀도와 Forman-Ricci 곡률 간의 관계는 어떠한가?
• RQ3 극단적인 곡률 값을 가진 간선들(매우 낮거나 매우 높은 값)은 기본 모드 네트워크나 정서 처리 영역과 같이 알려진 기능적 뇌망에 국한되는가?
• RQ4 곡률 기반 네트워크 특성은 여러 피험자 샘플 간에 재현 가능한가?
• RQ5 곡률 기반 측정치는 전통적인 노드 기반 네트워크 측정치로는 완전히 포착되지 않는 기능적 네트워크 구성 요소를 감지할 수 있는가?

주요 결과

• TED 네트워크의 간선들에 대한 Forman-Ricci 곡률 값 분포는 넓은 척도의 분포를 보이며, -500 이하의 곡률 값에서 제2의 피크를 형성한다.
• 곡률 값 < -4000인 간선들은 허브성 지도에 의해 정서 대비 네트워크의 핵심에 국한됨을 확인하였으며, 이는 작업 특이적 기능적 연결성에서의 역할을 시사한다.
• 곡률 값 > -500인 간선들은 기본 모드 네트워크(DMN)와 대응한다. 이는 DMN이 일반적으로 휴식 상태와 연관되지만, 작업 상태 동안에도 활성화될 수 있음을 시사한다.
• 모든 간선에 걸쳐 간선 밀도와 Forman-Ricci 곡률 간에 강한 음의 상관관계가 존재한다(μ = -0.565, σ = 0.020), 이는 높은 연결성이 항상 높은 곡률을 의미하지는 않음을 시사한다.
• 제2의 피크 영역(곡률 > -500)에서는 간선 밀도와 곡률 간 상관관계가 크게 약화되며, 이 경우 μ = -0.164, σ = 0.097이다. 이는 곡률이 간선 밀도 외부의 독립적인 위상적 정보를 포착하고 있음을 시사한다.
• 곡률 기반 분석은 10개의 독립된 피험자 샘플 간에 재현 가능하며, 허브성 지도에서 고곡률 및 저곡률 간선의 공간 국소화가 일관되게 관찰된다.