[論文レビュー] A Graph Signal Processing View on Functional Brain Imaging

Weiyu Huang, Thomas A. W. Bolton+4 more|arXiv (Cornell University)|Sep 29, 2017

Functional Brain Connectivity Studies参考文献 82被引用数 8

ひとこと要約

本稿は、構造的脳ネットワークと機能的脳信号を統合するグラフ信号処理（GSP）フレームワークを導入し、動的脳活動を分析する。機能的MRI信号を構造的結合グラフ上のグラフ信号として扱うことで、低周波数および高周波数のグラフモードの両方が意味のある情報を含むことが示された。特に注意関連ネットワークでは、解剖学的に整合する信号がより高い時間的変動性を示し、サロゲートデータ解析とスペクトル分解によって裏付けられた。

ABSTRACT

Modern neuroimaging techniques provide us with unique views on brain structure and function; i.e., how the brain is wired, and where and when activity takes place. Data acquired using these techniques can be analyzed in terms of its network structure to reveal organizing principles at the systems level. Graph representations are versatile models where nodes are associated to brain regions and edges to structural or functional connections. Structural graphs model neural pathways in white matter that are the anatomical backbone between regions. Functional graphs are built based on functional connectivity, which is a pairwise measure of statistical interdependency between activity traces of regions. Therefore, most research to date has focused on analyzing these graphs reflecting structure or function. Graph signal processing (GSP) is an emerging area of research where signals recorded at the nodes of the graph are studied atop the underlying graph structure. An increasing number of fundamental operations have been generalized to the graph setting, allowing to analyze the signals from a new viewpoint. Here, we review GSP for brain imaging data and discuss their potential to integrate brain structure, contained in the graph itself, with brain function, residing in the graph signals. We review how brain activity can be meaningfully filtered based on concepts of spectral modes derived from brain structure. We also derive other operations such as surrogate data generation or decompositions informed by cognitive systems. In sum, GSP offers a novel framework for the analysis of brain imaging data.

研究の動機と目的

• 構造的脳ネットワーク上に機能的脳イメージングデータを分析するための統合的フレームワークを構築すること。
• 動的認知的プロセス（例：注意の切り替え）の文脈において、脳活動が構造的結合にどのように一致するか、または逸脱するかを調査すること。
• 観測された機能的MRI信号パターンがランダムな揺らぎを超えて統計的に有意であるかどうかを、サロゲートデータ生成を用いて評価すること。
• スペクトルフィルタリングや分解といったGSPツールが、フレーム単位の時間分解能で機能的ダイナミクスを捉える有用性を検討すること。
• 低周波数と高周波数の両方が生物学的に意味のある情報を保持しており、従来の「低周波数のみが意味を持つ」という見解に挑戦すること。

提案手法

• 脳領域をノード、拡散MRIから得られる構造的結合をエッジとして扱い、脳の解剖学的骨格を表すグラフを構築する。
• fMRI BOLD信号を構造的グラフのノード上に定義されたグラフ信号として扱い、グラフラプラシアンや他のシフト作用素を用いてスペクトル解析を実施する。
• スペクトル窓関数（例：拡散カーネル）を用いたグラフフィルタリング技術を適用し、異なるグラフ周波数に対応する機能的活動成分を分離する。
• グラフ構造を保持したまま信号をランダム化するサロゲートデータ生成を用い、帰無仮説モデルを作成し、観測された信号パターンの有意性を検証する。
• 空間的・時間的連合分解と局所化された信号解析を実施し、構造的組織に整合する時間変動特徴を抽出する。
• 注意の切り替えタスクにおける実際のfMRIデータを用いて結果を検証し、cingulo-opercularおよびfronto-parietalネットワークにおける信号行動を比較する。

実験結果

リサーチクエスチョン

• RQ1 機能的脳信号は、スペクトル的整合性や逸脱の観点から、下位の構造的結合グラフとどのように関係しているか？
• RQ2 注意の切り替えのような認知的タスクにおいて、どのグラフ周波数成分（低周波数か高周波数か）がより情報豊かなダイナミクスを示すか？
• RQ3 構造的結合への信号の整合性が観測されたパターンは、ランダムな揺らぎに起因するものか、それとも統計的に有意であるか？
• RQ4 GSPに基づくフィルタリングおよび分解手法は、従来のスライディングウインドウ相関などの2次統計ベースの手法と比較して、より詳細な時間的ダイナミクスを明らかにできるか？
• RQ5 グラフ信号処理は、構造的および機能的脳データをどの程度調和させ、神経ダイナミクスの解釈を向上させられるか？

主な発見

• 注意の切り替えタスク中に、構造的グラフの固有ベクトルと一致する解剖学的に整合する信号は、cingulo-opercularおよびfronto-parietalネットワークでより高い時間的変動性を示した。
• 低周波数および高周波数の両方のグラフモードが生物学的に意味のある情報を保持しており、従来の「高周波数はノイズ」という仮定に反する。
• サロゲートデータ解析により、構造的結合への信号の整合性が統計的に有意であり、ランダムな順列に起因するものではないことが確認された。
• GSPフレームワークにより、フレーム単位の時間分解能での機能的ダイナミクス解析が可能となり、スライディングウインドウ相関などの2次統計ベースの手法に優位性を示した。
• 異なるグラフシフト作用素（例：隣接行列およびラプラシアン）に一般化可能であり、バリエーション間で一貫した結果が得られたことから、フレームワークの堅牢性が示された。
• 拡散カーネルを用いたグラフフィルタリングは神経拡散プロセスとよく一致しており、疾患の進行や機能的ネットワークの構造からの出現をモデル化する可能性を示唆した。