[논문 리뷰] Visualization in Connectomics

Hanspeter Pfister, Verena Kaynig외 5명|arXiv (Cornell University)|2012. 06. 07.

Functional Brain Connectivity Studies참고 문헌 84인용 수 9

한 줄 요약

이 논문은 매크로-, 메조-, 마이크로스케일에서 구조적, 기능적, 효과적 연결성을 추출하고 분석하는 영상 기반 기법에 중점을 두어 연결망학에서의 시각화 기법에 대한 종합적인 리뷰를 제공한다. 뇌 네트워크를 위한 시각화 프레임워크를 제시하며, 기능 단위(FU) 지도와 그래프 평균화를 포함하여 다양한 조건에서 EEG 및 fMRI 데이터 간의 비교 분석을 가능하게 한다.

ABSTRACT

Connectomics is a field of neuroscience that analyzes neuronal connections. A connectome is a complete map of a neuronal system, comprising all neuronal connections between its structures. The term "connectome" is close to the word "genome" and implies completeness of all neuronal connections, in the same way as a genome is a complete listing of all nucleotide sequences. The goal of connectomics is to create a complete representation of the brain's wiring. Such a representation is believed to increase our understanding of how functional brain states emerge from their underlying anatomical structure. Furthermore, it can provide important information for the cure of neuronal dysfunctions like schizophrenia or autism. In this paper, we review the current state-of-the-art of visualization and image processing techniques in the field of connectomics and describe some remaining challenges.

연구 동기 및 목표

• 뇌 영상 데이터의 규모와 복잡성이 증가함에 따라 연결망학에서 고도화된 시각화 기법에 대한 수요가 증가하고 있음을 고려하여.
• 매크로-, 메조-, 마이크로스케일에서 영상 데이터로부터 연결 정보를 추출하는 최신 기법들을 검토하기 위해.
• 예를 들어 EEG, fMRI, 광학 현미경 데이터와 같은 다중 모odal 데이터를 통합된 시각화 프레임워크에 통합하여 비교적 네트워크 분석을 지원하기 위해.
• 다른 조건 또는 다른 피실험자에서 유도된 네트워크 간 직접 비교를 가능하게 함으로써 뇌 네트워크의 시각적 지도 기반 분석을 지원하기 위해.
• 뇌 그래프 내의 위상적 및 공간적 관계를 유지하면서도 통계적 비교를 가능하게 하는 시각화 방법을 개발하기 위해.

제안 방법

• 노드 N과 가중치가 부여된 간선 E를 갖는 뇌 그래프 표현 G(N;E)를 사용하여 해부학적 및 기능적 연결성을 모델링한다.
• 입력 요소 c_ij가 상호작용 강도를 나타내는 연결성 행렬 C를 사용하며, 필수 연결성을 드러내기 위해 임계값 처리를 적용한다.
• 실제 해부학적 구조와 물리적 연결 패턴을 보여주기 위해 뇌 그래프의 공간적 시각화를 수행한다.
• 접근성 향상을 위해 색상 인코딩을 사용한 매트릭스 시각화를 활용하여 상호작용 패턴을 신속하게 점검할 수 있도록 한다.
• EEG 데이터를 위한 기능 단위(FU) 지도를 도입하며, FUs는 신호 간 상당한 공명성을 보이는 전극 간 공간적 연결 클리크로 정의된다.
• 노드 및 간선의 빈도 분석을 통해 개인의 변동성을 유지하면서도 군집 수준의 공명성을 반영하는 평균 FU 지도를 계산하기 위해 그래프 평균화를 적용한다.

실험 결과

연구 질문

• RQ1 다양한 스케일에서 연결망학의 뇌 연결성 데이터 분석을 지원하기 위해 시각화 기법은 어떻게 활용될 수 있는가?
• RQ2 다른 피실험자 또는 실험 조건에서 유도된 뇌 네트워크를 비교하는 데 가장 효과적인 방법은 무엇인가?
• RQ3 기능 단위(FU) 지도는 주파수 대역 또는 피실험자 간 EEG 공명 네트워크를 어떻게 시각화하고 비교하는 데 사용될 수 있는가?
• RQ4 fMRI, EEG, 광학 현미경 등의 다중 모달 데이터를 통합하여 일관된 연결망 표현으로 만들기 위한 시각화 전략은 무엇인가?
• RQ5 그래프 평균화를 통해 다수의 데이터셋에서 유도된 뇌 네트워크의 대표적이고 통계적으로 의미 있는 시각화를 어떻게 만들 수 있는가?

주요 결과

• 영상 기반 연결망학 데이터 분석을 위해서는 시각화가 필수적이다. 특히 신경 연결성 데이터의 고차원성과 복잡성 고려 시 더욱 그러하다.
• 기능 단위(FU) 지도는 공간적으로 가까운 전극을 그룹화하고 유의미한 신호 공명성을 갖는 전극 간 연결을 기반으로 다채널 EEG 공명을 효과적으로 시각화한다. 이때 상호 FU 간 공명성을 나타내기 위해 색상 인코딩된 선을 사용한다.
• 그래프 평균화를 통해 개인의 변동성을 빈도 발생 지표를 통해 유지하면서도 군집 수준의 뇌 네트워크 활동을 반영하는 평균 FU 지도를 생성할 수 있다.
• 이 방법은 여러 개의 FU 지도를 직접적으로 시각적으로 비교할 수 있도록 하여 피실험자 또는 조건 간 공통적이고 변동성이 있는 네트워크 패턴을 식별하는 데 기여한다.
• FU 지도와 그래프 평균화 기법은 정신적 피로 및 코티코베질 갈망성 퇴행성 질환 연구에서 EEG 데이터에 성공적으로 적용되었으며, 임상 및 인지 신경과학 분야에서의 유용성을 입증하였다.
• 다중 모달 데이터를 계층적 연결망 표현으로 통합하는 것은 여전히 주요 과제이며, 고도화된 시각화 및 데이터 융합 기법이 필요로 한다.