[논문 리뷰] Nonparametric Modeling of Dynamic Functional Connectivity in fMRI Data

Søren F. V. Nielsen, Kristoffer H. Madsen외 3명|arXiv (Cornell University)|2016. 01. 04.

Functional Brain Connectivity Studies참고 문헌 23인용 수 5

한 줄 요약

이 논문은 창시된 비모수적 베이지안 모델인 IHMM-Wishart를 통해 fMRI에서의 동적 기능적 연결성(Dynamic Functional Connectivity, FC)을 위한 모델을 제안한다. 이 모델은 사전에 윈도우 길이나 동적 상태 수를 지정하지 않고도 자동으로 동적 상태 수를 추론한다. 예측 가능도를 통해 모델은 개인 간 및 개인 내에서 운동 과제와 휴식 상태를 성공적으로 구분하였으며, 동적 FC 상태는 주로 과제 조건이 아닌 개인별 변동성과 프리프로세싱 차이에 의해 주로 이끌린다는 것을 드러냈다.

ABSTRACT

Dynamic functional connectivity (FC) has in recent years become a topic of interest in the neuroimaging community. Several models and methods exist for both functional magnetic resonance imaging (fMRI) and electroencephalography (EEG), and the results point towards the conclusion that FC exhibits dynamic changes. The existing approaches modeling dynamic connectivity have primarily been based on time-windowing the data and k-means clustering. We propose a non-parametric generative model for dynamic FC in fMRI that does not rely on specifying window lengths and number of dynamic states. Rooted in Bayesian statistical modeling we use the predictive likelihood to investigate if the model can discriminate between a motor task and rest both within and across subjects. We further investigate what drives dynamic states using the model on the entire data collated across subjects and task/rest. We find that the number of states extracted are driven by subject variability and preprocessing differences while the individual states are almost purely defined by either task or rest. This questions how we in general interpret dynamic FC and points to the need for more research on what drives dynamic FC.

연구 동기 및 목표

• fMRI에서의 동적 기능적 연결성을 위한 비모수적 베이지안 모델을 개발하여 윈도우 길이와 동적 상태 수를 사전에 지정하지 않도록 하는 것.
• 예측 가능도를 활용하여 완전히 비지도 설정에서 모델이 운동 과제와 휴식 조건을 구분할 수 있는지 평가하는 것.
• 군집 수준에서 동적 FC 상태의 발생을 이끄는 요인들—과제 조건, 개인별 변동성, 프리프로세싱—이 무엇인지 조사하는 것.
• 모델이 개인 간으로 일반화되어 fMRI 데이터에서 뇌 상태의 생물학적 지표를 식별할 수 있는 능력을 평가하는 것.

제안 방법

• 상태 수를 고정하지 않고 상태 전이를 모델링하기 위해 무한히 은닉 마르코프 모델(IHMM)과 스틱 브레이킹 구조(GEM)를 사용한다.
• 기능적 연결 패턴을 비모수적으로 모델링하기 위해 상태별 공분산 행렬에 역위시어트 prior를 적용한다.
• 상태별 공분산 행렬을 사용하는 가우시안 가능도를 적용하며, 시간에 따라 변하는 크기 매개변수로 스케일링하여 데이터의 진폭에 불변성을 확보한다.
• 예측 가능도를 사용하여 테스트 데이터에서 운동 과제와 휴식 상태를 구분하는 데 모델 성능을 검증한다.
• 모든 피험자 데이터를 통합하여 전체적으로 비지도 방식으로 피험자와 과제 간에 모델을 실행함으로써 군집 수준 분석을 수행한다.
• 사후 표본 간 상호정보량을 사용하여 개인, 과제, 프리프로세싱이 상태 역학에 미치는 영향을 정량화한다.

실험 결과

연구 질문

• RQ1 IHMM-Wishart 모델은 윈도우 길이나 상태 수를 사전에 알지 못하는 조건에서 fMRI 데이터에서 운동 과제와 휴식 상태를 구분할 수 있는가?
• RQ2 동적 기능적 연결성 상태의 발생을 이끄는 요인은 과제 조건, 개인별 변동성, 또는 프리프로세싱 차이 중 무엇인가?
• RQ3 유추된 동적 상태 수는 개인과 조건 간에 어떻게 변동하며, 이러한 변동에 영향을 주는 요인은 무엇인가?
• RQ4 모델이 과제별 동적 상태를 식별하는 데 있어 개인 간으로 얼마나 잘 일반화되는가?
• RQ5 프리프로세싱의 다양성이 군집 수준에서 동적 FC 상태의 구조와 해석에 어떤 영향을 미치는가?

주요 결과

• IHMM-Wishart 모델은 예측 가능도를 통해 평균적으로 28명의 피험자 중 26.5명에서 운동 상태와 휴식 상태를 성공적으로 구분하였으며, 강력한 분류 능력을 보였다.
• 개인 내 분석 결과 대부분의 모델이 단일 동적 상태만 유추한 것으로 나타나, 데이터 크기(116개 시간 포인트)로 인해 개인 내에서 동적 구조가 제한적임을 시사했다.
• 군집 수준에서 모델은 두 개 이상의 동적 상태를 유추하였으며, 상태들은 명확히 운동 또는 휴식 조건에 연관되어 있었고 혼합 상태는 관찰되지 않았다.
• 개인 신원과 프리프로세싱의 차이가 상태 시퀀스와 상호정보량이 과제 조건보다 높게 나타나, 이들이 동적 상태 구조의 주요 원인임을 확인했다.
• 모델은 프리프로세싱의 차이가 과제 유형보다도 동적 FC 상태에 더 강한 영향을 미친다는 것을 드러내어, 과제에 의한 역학이 주된 원인이라는 기존 가정을 도전했다.
• ICA 성분 지도를 통해 운동 관련 네트워크가 운동 상태 공분산 행렬에서 일관되게 활성화되고, 휴식 상태 행렬에서는 억제됨을 확인했다.