[논문 리뷰] On inferring structural connectivity from brain functional-MRI data

Somwrita Sarkar, Sanjay Chawla외 1명|arXiv (Cornell University)|2015. 02. 24.

Functional Brain Connectivity Studies참고 문헌 21인용 수 3

한 줄 요약

이 논문은 fMRI 기능적 연결성 데이터에서 희소 구조적 뇌 연결성을 추론하기 위해 ADMM를 사용하는 볼록 최적화 프레임워크를 제안한다. 생리학적 제약 조건과 데이터의 자기표현 성질을 활용한다. 성공적으로 알려진 구조적 연결성을 복원하고, 기존에 발견되지 않았던 장거리 이측 뇌간 연결성을 강력한 정량적 일치도로 예측한다. DSI/DTI 데이터와의 일치도가 높다.

ABSTRACT

The anatomical structure of the brain can be observed via non-invasive techniques such as diffusion imaging. However, these are imperfect because they miss connections that are actually known to exist, especially long range inter-hemispheric ones. In this paper we formulate the inverse problem of inferring the structural connectivity of brain networks from experimentally observed functional connectivity via functional Magnetic Resonance Imaging (fMRI), by formulating it as a convex optimization problem. We show that structural connectivity can be modeled as an optimal sparse representation derived from the much denser functional connectivity in the human brain. Using only the functional connectivity data as input, we present (a) an optimization problem that models constraints based on known physiological observations, and (b) an ADMM algorithm for solving it. The algorithm not only recovers the known structural connectivity of the brain, but is also able to robustly predict the long range inter-hemispheric connections missed by DSI or DTI, including a very good match with experimentally observed quantitative distributions of the weights/strength of anatomical connections. We demonstrate results on both synthetic model data and a fine-scale 998 node cortical dataset, and discuss applications to other complex network domains where retrieving effective structure from functional signatures are important.

연구 동기 및 목표

• fMRI 데이터에서의 구조적 뇌 연결성을 추론하는 역문제를 해결하기 위해, 실제 해부학적 네트워크보다 더 높은 밀도이지만 덜 희소한 fMRI 데이터를 활용한다.
• 기능적 연결성에서 유도된 희소 표현으로서의 구조적 연결성을 모델링하여 알려진 생리학적 제약 조건을 반영한다.
• 기존 방법에 비해 연결 강도의 분포 일치와 희소성의 이중 조건을 통합하여 개선한다.
• 동시에 fMRI와 DSI/DTI 데이터를 확보한 998노드의 고해상도皮질 분할 데이터셋을 기반으로 방법을 검증한다.
• 확산 영상에서 포착되지 않은 장거리 이측 뇌간 연결성을 예측할 수 있는 능력을 입증한다.

제안 방법

• DSI/DTI 데이터에서 관찰된 연결 강도 분포를 일치시키고 희소성을 강제하는 볼록 최적화 문제로 역문제를 수립한다.
• 각 노드의 연결성이 다른 노드들의 희소 선형 조합으로 표현될 수 있다는 데이터의 자기표현 성질을 활용하여 구조적 연결성을 모델링한다.
• 비음수 가중치와 알려진 네트워크 구조와 같은 생리학적 제약 조건을 최적화 프레임워크에 통합한다.
• 고해상도 뇌 네트워크 데이터에서 대규모 최적화 문제를 효율적으로 해결하기 위해 ADMM 기반 알고리즘을 구현한다.
• 기능적 연결성 행렬(fMRI에서 유도)을 입력으로 사용하면서도, 희소성과 실험적 구조적 데이터의 분포 일치성을 강제한다.
• 기능적 연결성의 스펙트럼 구조를 표현하기 위해 저차원 부분공간의 합집합을 사용하여 최적의 희소 복원을 가능하게 한다.

실험 결과

연구 질문

• RQ1 기능적 연결성 데이터만을 사용하여 최적화 프레임워크를 통해 구조적 연결성을 정확히 추론할 수 있는가?
• RQ2 DSI 또는 DTI에서 누락된 장거리 이측 뇌간 연결성을 어느 정도 정확히 예측할 수 있는가?
• RQ3 추론된 구조적 연결성의 연결 강도 분포가 실험적 DSI/DTI 데이터에서 관찰된 정량적 분포와 일치하는가?
• RQ4 기존 해부학적 네트워크와 비교해 복원된 연결성의 희소성과 구조적 특성을 얼마나 잘 유지하는가?
• RQ5 기능적 연결성 데이터의 자기표현 성질을 활용하여 희소하고 생물학적으로 타당한 구조적 네트워크를 복원할 수 있는가?

주요 결과

• 제안된 방법은 합성 및 실제 데이터셋 모두에서 fMRI 데이터로부터 알려진 구조적 연결 패턴을 높은 정확도로 복원한다.
• 알고리즘은 DSI나 DTI 데이터에 존재하지 않지만 생물학적으로 존재하는 장거리 이측 뇌간 연결성을 강인하게 예측한다.
• 예측된 연결 강도 분포는 fMRI 데이터의 분포와 다를 수 있으나 실험적 DSI/DTI 데이터와 강력한 정량적 일치도를 보인다.
• 유도된 구조적 네트워크는 DSI/DTI 해부학적 네트워크에서 관찰된 실제 희소성 수준과 매우 유사한 희소성 수준을 달성한다.
• ADMM 기반 알고리즘은 998노드의 피질 분할 데이터에서 대규모 최적화 문제를 효율적으로 해결하여 고해상도 추론을 가능하게 한다.
• 기존 방법에 비해 희소성과 가중치 분포를 동시에 모델링함으로써 이전 연구의 핵심 격차를 메우며, 성능이 뛰어나다.