[논문 리뷰] Estimating whole brain dynamics using spectral clustering

Ivor Cribben, Yi Yu|Bristol Research (University of Bristol)|2015. 09. 12.

Functional Brain Connectivity Studies참고 문헌 48인용 수 10

한 줄 요약

이 논문은 스펙트럴 클러스터링과 변화점 분석을 활용하여 fMRI에서 시간에 따라 변화하는 기능적 뇌망 구조를 추정하는 데이터 기반 방법인 네트워크 변화점 탐지(NCPD)를 소개한다. 고정된 변화 수를 가정하지 않고 전체 뇌 연결성 구조의 동적 이동을 탐지함으로써, 다양한 피험자 간 반복 가능한 기능적 상태를 식별하고, 휴식 상태 데이터에서 광범위한 뇌 동역학을 드러낸다.

ABSTRACT

The estimation of time-varying networks for functional Magnetic Resonance Imaging (fMRI) data sets is of increasing importance and interest. In this work, we formulate the problem in a high-dimensional time series framework and introduce a data-driven method, namely Network Change Points Detection (NCPD), which detects change points in the network structure of a multivariate time series, with each component of the time series represented by a node in the network. NCPD is applied to various simulated data and a resting-state fMRI data set. This new methodology also allows us to identify common functional states within and across subjects. Finally, NCPD promises to offer a deep insight into the large-scale characterisations and dynamics of the brain

연구 동기 및 목표

• fMRI에서 정적 연결성 가정의 한계를 해결하기 위해 시간에 따라 변화하는 기능적 연결성을 모델링한다.
• 변화 수나 위치에 대한 사전 가정 없이 뇌 영역을 나타내는 다변량 시간 시리즈에서 변화점을 탐지한다.
• 스펙트럴 클러스터링을 활용해 개인 내 및 피험자 간 공통 기능적 상태를 식별한다.
• p > T(뇌 영역 수 > 시간 포인트 수)인 고차원 설정에서 전체 뇌 동역학의 대규모 분석을 가능하게 한다.
• 작업 기반 및 휴식 상태 fMRI 연구에서 동적 기능적 조직을 연구하기 위한 유연하고 비모수적 프레임워크를 제공한다.

제안 방법

• fMRI 데이터에서 유도된 시간에 따라 변화하는 기능적 연결망의 커뮤니티 구조를 추정하기 위해 스펙트럴 클러스터링을 적용한다.
• 변화점 이전 및 이후의 네트워크 추정치로부터 형성된 행렬의 특이값을 기반으로 한 새로운 지표를 사용해 후보 변화점을 식별한다.
• 이중 분할 기반 반복적 접근을 통해 시간 시리즈에서 다중 변화점을 탐지한다.
• 시간적 의존성에 강건하기 위해 검정적 추론을 위해 정적 부트스트랩 절차를 활용한다.
• 정규화와 네트워크 구조 추정을 활용해 직접 큰 정밀행렬의 역행렬을 계산하지 않도록 하여 고차원 설정(p > T)에서 작동한다.
• 변화점 탐지와 네트워크 커뮤니티 탐지의 통합을 통해 변화하는 기능적 뇌 상태를 모델링한다.

실험 결과

연구 질문

• RQ1 정적 가정을 하지 않고 전체 뇌에서 시간에 따라 변화하는 기능적 연결성의 변화를 어떻게 탐지할 수 있는가?
• RQ2 뇌 영역 수가 시간 포인트 수를 초과하는 고차원 다변량 fMRI 시간 시리즈에서 변화점을 식별하는 최적의 방법은 무엇인가?
• RQ3 데이터 기반 네트워크 클러스터링 접근을 통해 피험자 간 및 시간에 걸쳐 반복되는 공통 기능적 상태를 식별할 수 있는가?
• RQ4 창문 크기 선택에 민감한 전통적 슬라이딩 창 방법과 비교해 본다면, 제안된 방법의 민감도와 창문 크기 선택에 대한 강건성은 어떠한가?
• RQ5 이 방법은 휴식 상태 fMRI 데이터에서 생물학적으로 의미 있는 기능적 뇌 상태를 어느 정도 드러낼 수 있는가?

주요 결과

• NCPD는 시뮬레이션 및 실제 휴식 상태 fMRI 데이터에서 다수의 변화점을 성공적으로 탐지하여 기능적 연결성 구조의 동적 이동을 드러낸다.
• 이 방법은 피험자 간 반복적인 기능적 상태를 식별하여, 휴식 상태에서 안정적이고 일시적인 뇌망 구성이 존재함을 시사한다.
• 이중 코어 프로세서에서 알고리즘은 1명의 피험자당 약 132초가 소요된다(T=285, p=116)며, 병렬 처리를 통해 상당한 속도 향상이 가능하다.
• 변화점 탐지 후 네트워크 구조에 스펙트럴 클러스터링을 적용하면 시간에 따라 변화하는 커뮤니티 조직이 효과적으로 드러난다.
• 이 방법은 고차원성(p > T)에 강건하여 강력한 모수적 가정이 필요 없이 전체 뇌 분석이 가능하다.
• 임의의 창 크기 선택에 의존하지 않고 변화점 주변의 관련 시간 포인트에만 동일한 가중치를 할당하므로, 전통적 슬라이딩 창 방법보다 우수하다.