[논문 리뷰] Quantifying the strength of structural connectivity underlying functional brain networks

Phebe Brenne Kemmer, F. DuBois Bowman외 2명|arXiv (Cornell University)|2017. 03. 12.

Functional Brain Connectivity Studies참고 문헌 33인용 수 4

한 줄 요약

이 논문은 독립성분분석(ICA)을 통해 유도된 fMRI로부터 유도된 기능적 뇌망의 기초가 되는 백질 연결의 강도를 정량화하기 위해 표준화된 구조적 연결성(sSC) 측정법을 도입한다. 확산 토모그래피(DTI) 데이터를 통합함으로써 sSC는 네트워크 크기와 기본 연결성에 보정되며, 더 강한 구조적 연결성이 표본 간 기능적 네트워크의 재현 가능성과 관련이 있음을 드러내며, 건강한 대조군과 우울증 환자(MDD) 간에 연구된 네트워크에서 sSC에 유의미한 차이가 없음을 보여준다.

ABSTRACT

In recent years, there has been strong interest in neuroscience studies to investigate brain organization through networks of brain regions that demonstrate strong functional connectivity (FC). These networks are extracted from observed fMRI using data-driven analytic methods such as independent component analysis (ICA). A notable limitation of these FC methods is that they do not provide any information on the underlying structural connectivity (SC), which is believed to serve as the basis for interregional interactions in brain activity. We propose a new statistical measure of the strength of SC (sSC) underlying FC networks obtained from data-driven methods. The sSC measure is developed using information from diffusion tensor imaging (DTI) data, and can be applied to compare the strength of SC across different FC networks. Furthermore, we propose a reliability index for data-driven FC networks to measure the reproducibility of the networks through re-sampling the observed data. To perform statistical inference such as hypothesis testing on the sSC, we develop a formal variance estimator of sSC based a spatial semivariogram model with a novel distance metric. We demonstrate the performance of the sSC measure and its estimation and inference methods with simulation studies. For real data analysis, we apply our methods to a multimodal imaging study with resting-state fMRI and DTI data from 20 healthy controls and 20 subjects with major depressive disorder. Results show that well-known resting state networks all demonstrate higher SC within the network as compared to the average structural connections across the brain. We also found that sSC is positively associated with the reliability index, indicating that the FC networks that have stronger underlying SC are more reproducible across samples.

연구 동기 및 목표

• ICA와 같은 데이터 주도 방법을 통해 식별된 기능적 연결성(FC) 네트워크의 기초가 되는 구조적 연결성(SC)의 강도를 정량화하는 표준화된 통계 측정법(sSC)을 개발하는 것.
• FC 방법의 한계를 보완하기 위해, 일반적으로 기능적 네트워크 분석에서 忽시되는 DTI로부터의 기초 해부학적 연결성을 통합하는 것.
• sSC의 강도가 fMRI 데이터로부터 추정된 FC 네트워크의 신뢰성과 관련이 있는지 평가하기 위해, 새로운 재표본화 기반의 신뢰성 지수를 사용하는 것.
• sSC의 분산 추정량을 제공하기 위해 공간 반분산모형과 새로운 거리 척도를 사용한 공식적 분산 추정기법을 개발하여 통계적 추론을 가능하게 하는 것.
• 건강한 대조군과 중증 우울증(MDD) 환자 간의 sSC에서 그룹 간 차이가 있는지 평가하는 것.

제안 방법

• sSC 측정법은 ICA로부터 유도된 기능적 네트워크 성분과 DTI 데이터의 확률적 트랙토그래피로부터 유도된 구조적 연결성 간의 표준화된 부분적 상관계수로 계산되며, 네트워크 크기와 기본 SC에 대해 보정된다.
• 재표본화(fMRI 데이터 재표본화)를 통해 ICA 성분 복원의 일관성 정도를 측정함으로써 신뢰성 지수를 계산하여, 기능적 네트워크의 재현 가능성 정도를 정량화한다.
• 공간 반분산모형과 새로운 거리 척도를 사용하여 sSC의 분산을 추정함으로써, 귀무가설 검정 및 신뢰구간 산정이 가능하도록 한다.
• 순열검정과 부트스트랩 재표본화를 사용하여 네트워크 간 및 참가자 군 간(대조군 대 MDD 환자) sSC 차이의 유의성을 평가한다.
• 모델링 이론적 기반의 시뮬레이션 연구를 통해 다중 모odal fMRI 및 DTI 데이터(20명의 대조군 및 20명의 MDD 환자) 적용 이전에 방법의 타당성을 검증한다.
• 기능적 네트워크는 ICA를 통해 추출되며, SC는 각 네트워크 내 모든 볼륨 요소 쌍 간 평균 섬유 밀도로 계산되며, 전반적인 평균 SC에 대해 상대적으로 표현된다.

실험 결과

연구 질문

• RQ1 휴식 상태 기능적 뇌망에서 다양한 기능적 네트워크 간에 기초가 되는 구조적 연결성(SC)의 강도가 달라지는가?
• RQ2 기본 구조적 연결성(SC)의 강도가 ICA와 같은 데이터 주도 방법으로 식별된 기능적 네트워크의 신뢰성과 관련이 있는가?
• RQ3 건강한 대조군과 중증 우울증(MDD) 환자 간에 기능적 네트워크의 기초가 되는 구조적 연결성(SC) 강도에 유의미한 차이가 있는가?
• RQ4 sSC는 기능적 뇌망의 구조적 기반을 정량화하는 데 신뢰성 있고 통계적으로 추론 가능한 측정법으로 기능할 수 있는가?
• RQ5 DTI로부터의 SC 정보를 통합함으로써 fMRI 연구에서 기능적 네트워크 식별의 해석 가능성과 강건성은 향상되는가?

주요 결과

• 모든 주요 휴식 상태 기능적 뇌망(ICs)에서 전반적인 평균보다 높은 내부 네트워크 구조적 연결성(sSC)을 보이며, 이는 기능적 네트워크의 강력한 구조적 기반을 시사한다.
• IC 8는 평균 sSC가 가장 높았고(0.148), IC 4는 가장 낮았으며(0.054), 순열검정을 통해 유의미한 차이가 있었음(p < 0.0001).
• 건강한 대조군과 MDD 환자 간에 9개의 기능적 네트워크 중 어느 하나에서도 sSC에 유의미한 차이가 없었으며, 모든 95% 신뢰구간이 0을 포함하였다.
• sSC와 신뢰성 지수(Rℓ) 사이에 정적 상관관계가 발견되어, 더 강한 기초 구조적 연결성을 지닌 기능적 네트워크일수록 데이터 재표본화 시 더 높은 재현성을 보임을 시사한다.
• 공간 반분산모형 기반의 sSC 분산 추정기법은 유효한 통계적 추론을 가능하게 하여 sSC 값에 대한 가설 검정을 뒷받침한다.
• 시뮬레이션 연구를 통해 다양한 네트워크 및 연결 구성 조건 하에서 sSC 추정 및 추론 절차의 강건성과 정확성이 확인되었다.