[논문 리뷰] Accurately Predicting Functional Connectivity from Diffusion Imaging

Cassiano O. Becker, Sérgio Pequito외 5명|arXiv (Cornell University)|2015. 12. 08.

Functional Brain Connectivity Studies참고 문헌 23인용 수 9

한 줄 요약

이 논문은 분산 영상 데이터를 사용하여 구조적 뇌 네트워크에서 휴식 상태 기능적 연결성을 예측하기 위한 스펙트럴 그래프 이론과 볼록 최적화 기반 방법을 제안한다. 이 방법은 기능적 연결성을 최대 길이 5까지의 구조적 경로 거듭제곱의 가중합으로 모델링하며, 높은 예측 정확도(평균 R² ≈ 0.65)를 달성하고, 짧은 구조적 경로가 기능적 상관관계 형성에 지배적인 역할을 한다는 것을 드러낸다.

ABSTRACT

Understanding the relationship between the dynamics of neural processes and the anatomical substrate of the brain is a central question in neuroscience. On the one hand, modern neuroimaging technologies, such as diffusion tensor imaging, can be used to construct structural graphs representing the architecture of white matter streamlines linking cortical and subcortical structures. On the other hand, temporal patterns of neural activity can be used to construct functional graphs representing temporal correlations between brain regions. Although some studies provide evidence that whole-brain functional connectivity is shaped by the underlying anatomy, the observed relationship between function and structure is weak, and the rules by which anatomy constrains brain dynamics remain elusive. In this article, we introduce a methodology to predict with high accuracy the functional connectivity of a subject at rest from his or her structural graph. Using our methodology, we are able to systematically unveil the role of structural paths in the formation of functional correlations. Furthermore, in our empirical evaluations, we observe that the eigen-modes of the predicted functional connectivity are aligned with activity patterns associated with different cognitive systems. Our work offers the potential to infer properties of brain dynamics in clinical or developmental populations with low tolerance for functional neuroimaging.

연구 동기 및 목표

• 비침습적 분산 영상 데이터를 사용하여 구조적 뇌 네트워크에서 기능적 연결성을 정확하게 예측할 수 있는 방법을 개발하는 것.
• 간접적인 구조적 경로가 인간 뇌 내 기능적 상관관계 형성에 어떻게 기여하는지 이해하는 것.
• fMRI에 대한 내성 능력이 제한된 임상적 또는 발달적 집단에서 기능적 뇌 동역학을 추론할 수 있도록 하는 것.
• 뇌영상에서 한 행렬(기능적 연결성)을 다른 행렬(구조적 연결성)에서 예측하는 데 일반화 가능한 프레임워크를 제공하는 것.

제안 방법

• 구조적 인접행렬 S의 거듭제곱에 대한 비선형 함수로 기능적 연결성을 모델링하기 위해 스펙트럴 그래프 이론을 사용한다.
• 최대 경로 길이 k = 5로 제한된 S^l (l = 1에서 k까지)의 부분합에 대한 최적의 가중치를 학습하기 위해 볼록 최적화를 활용한다.
• 90개 뇌 영역(AAL 아틀라스) 간 백색질 스트림라인의 분수 이방성(FA) 값으로부터 구조적 그래프를 구축한다.
• 파형 필터링된 BOLD 신호(0.06–0.125 Hz)를 사용하여 피어슨 상관계수를 계산하여 기능적 연결성 행렬을 산출한다.
• 비선형 비모수적 회귀 프레임워크를 사용하여 84명의 피실험자에서 예측기를 훈련한다.
• 교차 검증을 통해 예측을 검증하고, 예측된 기능적 연결성 행렬과 실제 값 간의 상관계수(R²)를 성능 평가 지표로 사용한다.

실험 결과

연구 질문

• RQ1 분산 영상 데이터를 사용하여 구조적 뇌 네트워크에서 기능적 연결성을 얼마나 정확하게 예측할 수 있는가?
• RQ2 예를 들어 1에서 5까지의 구조적 경로 길이 중 어느 것이 기능적 연결성 예측에 가장 유의미하게 기여하는가?
• RQ3 간접적인 구조적 경로가 인간 뇌 내 기능적 상관관계 형성에 얼마나 큰 영향을 미치는가?
• RQ4 이 방법을 사용하여 운동 장애나 발달 지연이 있는 인구집단과 같이 fMRI에 대한 내성 능력이 낮은 집단에서 기능적 연결성을 추론할 수 있는가?
• RQ5 예측된 기능적 연결성 행렬의 고유모드는 알려진 인지 시스템 활동 패턴과 일치하는가?

주요 결과

• 제안된 방법은 84명의 피실험자에 대해 평균 R² ≈ 0.65의 높은 정확도로 기능적 연결성을 예측한다.
• 예측 정확도는 최대 길이 5까지의 구조적 경로를 포함할 경우 가장 높으며, 짧은 경로(l ≤ 5)가 예측에 비례하여 더 크게 기여한다.
• 예측된 기능적 연결성 행렬의 고유모드는 다양한 인지 시스템과 연관된 활동 패턴과 일치한다.
• 모델은 직접적인 해부학적 연결 외에도 간접적인 구조적 경로가 기능적 상관관계 형성에 결정적인 역할을 한다는 것을 드러낸다.
• 이 방법은 운동, 불안 또는 발달적 과제로 인해 표준 fMRI를 받을 수 없는 개인들에 대해서도 기능적 뇌 동역학을 정확하게 추론할 수 있도록 한다.
• 이 프레임워크는 일반화 가능하며 뇌 손상 이후, 학습 과정 또는 노화 과정에서의 구조-기능 관계 연구에 적용될 수 있다.