[논문 리뷰] Information flow between resting state networks

Ibai Díez, Asier Erramuzpe외 7명|arXiv (Cornell University)|2015. 05. 13.

Neural dynamics and brain function참고 문헌 44인용 수 7

한 줄 요약

이 연구는 뇌의 휴식 상태 네트워크(RSNs) 간의 정보 흐름(IF)을 측정하기 위한 새로운 방법을 제안한다. 이 방법은 혈관반응함수(HRF) 탈구분, 주성분분석(PCA), 전이 엔트로피를 활용하여, 휴식 상태 fMRI 데이터를 분석한다. 주요 발견은 IF가 k=5개 주성분에서 최고에 이르며, 이는 다섯 개의 주성분이 네트워크 간 주요 동역학을 포괄함을 시사한다. 알츠하이머병(AD) 환자는 대조군에 비해 k=2일 때 유의미하게 높은 IF를 보였다.

ABSTRACT

The resting brain dynamics self-organizes into a finite number of correlated patterns known as resting state networks (RSNs). It is well known that techniques like independent component analysis can separate the brain activity at rest to provide such RSNs, but the specific pattern of interaction between RSNs is not yet fully understood. To this aim, we propose here a novel method to compute the information flow (IF) between different RSNs from resting state magnetic resonance imaging. After haemodynamic response function blind deconvolution of all voxel signals, and under the hypothesis that RSNs define regions of interest, our method first uses principal component analysis to reduce dimensionality in each RSN to next compute IF (estimated here in terms of Transfer Entropy) between the different RSNs by systematically increasing k (the number of principal components used in the calculation). When k = 1, this method is equivalent to computing IF using the average of all voxel activities in each RSN. For k greater than one our method calculates the k-multivariate IF between the different RSNs. We find that the average IF among RSNs is dimension-dependent, increasing from k =1 (i.e., the average voxels activity) up to a maximum occurring at k =5 to finally decay to zero for k greater than 10. This suggests that a small number of components (close to 5) is sufficient to describe the IF pattern between RSNs. Our method - addressing differences in IF between RSNs for any generic data - can be used for group comparison in health or disease. To illustrate this, we have calculated the interRSNs IF in a dataset of Alzheimer's Disease (AD) to find that the most significant differences between AD and controls occurred for k =2, in addition to AD showing increased IF w.r.t. controls.

연구 동기 및 목표

• 뇌의 휴식 상태 네트워크(RSNs) 간의 동적 상호작용을 정적 상관관계를 넘어서 이해하기 위해.
• fMRI 데이터를 기반으로 방향성 정보 흐름(IF)을 정량화하기 위한 데이터 기반 방법을 개발하기 위해.
• 다양한 수준의 네트워크 복잡도를 반영하기 위해 주성분 수(k)에 따라 IF가 어떻게 변화하는지 조사하기 위해.
• 알츠하이머병(AD)을 포함한 질환 관련 상호 네트워크 정보 흐름의 변화를 탐지하기 위해 이 방법을 적용하기 위해.
• 건강과 질병 상태에서의 군 간 비교를 위한 확장 가능한 다변량 프레임워크를 제공하기 위해.

제안 방법

• 혈관반응함수(HRF)를 사용해 볼륨 수준의 fMRI 신호를 탈구분하여 신경 활동을 복원하되, HRF 형태에 대한 사전 지식이 필요로 하지 않는다.
• 독립성성분분석(ICA)을 사용해 영역을 관심 영역으로 정의한 후, 각 RSN에 대해 주성분분석(PCA)을 적용하여 차원을 감소시킨다.
• 다변량 전이 엔트로피(TE)를 계산하여 RSN 간 정보 흐름을 측정하며, 주성분 수(k)를 1에서 10까지 체계적으로 증가시킨다.
• k=1은 각 RSN의 평균 활동을 나타내고, k>1은 다중 성분 간의 다변량 상호작용을 모델링한다.
• k에 따른 정보 흐름을 추정하여 네트워크 간 주요 동역학을 포괄하는 최적의 성분 수를 식별한다.
• 알츠하이머병(AD) 환자와 건강한 대조군의 데이터셋을 사용해 그룹 간 IF의 차이를 탐지하기 위해 방법을 검증한다.

실험 결과

연구 질문

• RQ1 각 네트워크를 표현하는 데 사용된 주성분 수(k)에 따라 휴식 상태 네트워크 간의 정보 흐름은 어떻게 변화하는가?
• RQ2 RSN 간 주요 정보 흐름 패턴을 포괄하는 데 최적의 성분 수(k)는 무엇인가?
• RQ3 알츠하이머병 환자와 건강한 대조군 간의 상호 네트워크 정보 흐름에 눈에 띄는 차이가 있는가?
• RQ4 다변량 정보 흐름(k>1)은 평균 활동(k=1)이 포괄하지 못하는 상호작용 패턴을 드러내는가?
• RQ5 제안된 방법은 특히 알츠하이머병에서 질병 특이적 네트워크 동역학 변화를 탐지할 수 있는가?

주요 결과

• RSN 간 정보 흐름은 주성분 수(k)에 크게 의존하며, k=1에서 k=5까지 증가하여 최고에 이르고, k>10에서 0으로 감소한다.
• 정보 흐름의 최고점은 k=5에서 관찰되며, 이는 다섯 개의 주성분이 네트워크 간 주요 상호작용 패턴을 기술하는 데 충분함을 시사한다.
• k=2일 때, 알츠하이머병 환자는 건강한 대조군에 비해 유의미하게 높은 정보 흐름을 보였다. 이는 AD에서 네트워크 동역학이 변화했음을 시사한다.
• 이 방법은 다변량 정보 흐름(k>1)이 평균 활동(k=1)보다 더 세밀한 네트워크 상호작용을 포착함을 드러내었으며, 이는 동적 연결성을 과소평가하는 경향이 있음을 보여준다.
• k=10을 초과하여 정보 흐름이 감소하는 것은 고차원 성분이 의미 있는 정보 전달에 기여하지 않는다는 것을 시사하며, 네트워크 분석에서 차원 감소를 지지한다.
• 결과는 제안된 방법이 알츠하이머병과 같은 신경퇴행성 질환에서 뇌 네트워크 동역학의 군 간 차이를 민감하게 탐지할 수 있음을 입증한다.