[논문 리뷰] Brain covariance selection: better individual functional connectivity models using population prior

Gaël Varoquaux, Alexandre Gramfort외 2명|arXiv (Cornell University)|2010. 08. 30.

Functional Brain Connectivity Studies참고 문헌 31인용 수 166

한 줄 요약

이 논문은 인구 수준의 fMRI 데이터를 활용하여 개인 맞춤형 고차원 확률적 기능 연결성 모델을 학습하는 뇌 공분산 선택 방법을 제안한다. 참가자 간에 동일한 그래픽 모델 구조를 도입함으로써, 새로운 데이터에 대한 일반화 능력이 향상된다. 이는 처음으로 교차 검증을 통한 데이터 기반의 자발적 뇌 활동 모델을 제시하며, 알려진 인지 네트워크가 기능 연결성 그래프 내에서 통합된 커뮤니티로 드러남을 보여준다.

ABSTRACT

Spontaneous brain activity, as observed in functional neuroimaging, has been shown to display reproducible structure that expresses brain architecture and carries markers of brain pathologies. An important view of modern neuroscience is that such large-scale structure of coherent activity reflects modularity properties of brain connectivity graphs. However, to date, there has been no demonstration that the limited and noisy data available in spontaneous activity observations could be used to learn full-brain probabilistic models that generalize to new data. Learning such models entails two main challenges: i) modeling full brain connectivity is a difficult estimation problem that faces the curse of dimensionality and ii) variability between subjects, coupled with the variability of functional signals between experimental runs, makes the use of multiple datasets challenging. We describe subject-level brain functional connectivity structure as a multivariate Gaussian process and introduce a new strategy to estimate it from group data, by imposing a common structure on the graphical model in the population. We show that individual models learned from functional Magnetic Resonance Imaging (fMRI) data using this population prior generalize better to unseen data than models based on alternative regularization schemes. To our knowledge, this is the first report of a cross-validated model of spontaneous brain activity. Finally, we use the estimated graphical model to explore the large-scale characteristics of functional architecture and show for the first time that known cognitive networks appear as the integrated communities of functional connectivity graph.

연구 동기 및 목표

• 제한된 노이즈가 많은 개인 fMRI 데이터로부터 신뢰할 수 있고 전뇌 영역을 아우르는 기능 연결성 모델을 학습하는 데 도전한다.
• 공유 구조 사전 지식을 활용하여 다중 참가자 인구 데이터를 통해 개인 특이성 변동성과 데이터 부족 문제를 극복한다.
• 기존 정규화 기법보다 새로운 데이터에 더 잘 일반화되는 방법을 개발한다.
• 교차 검증을 통해 새로운 데이터에서의 모델 예측 능력을 실증적으로 검증한다.
• 커뮤니티 구조 분석을 통해 대규모 기능 연결성 그래프를 알려진 인지 네트워크와 연결한다.

제안 방법

• 공유 인구 구조를 가진 다변량 정규 분포 그래픽 모델로 개인 뇌 기능 연결성을 수식화한다.
• ℓ1 및 ℓ21 펜alties를 적용하여 다중 그래픽 모델의 공동 추정을 수행함으로써 희박성과 인구 수준의 일致성을 강제한다.
• 새로운 데이터에서의 모델 일반화 성능 평가를 위해 교차 검증 기반 평가 체계를 도입한다.
• 기능 커뮤니티 간 통합과 분리 정도를 측정하기 위해 조건부 상호정보량과 가우시안 엔트로피를 활용한다.
• 커뮤니티 통합의 시각화를 위해 라플라스 임bedding을 적용하여 영역 순서를 정렬한다.
• 개인의 변동성과 인구 수준의 구조 간 균형을 맞추는 정규화를 사용하여 fMRI 시간 시리즈에서 정밀도 행렬을 추정한다.

실험 결과

연구 질문

• RQ1 제한된 fMRI 데이터에서 학습된 개인 기능 연결성 모델의 일반화 능력을 인구 사전 지식이 향상시킬 수 있는가?
• RQ2 추정된 기능 연결성 그래프에서 식별된 커뮤니티가 알려진 인지 네트워크와 일치하는가?
• RQ3 제안된 방법은 새로운 데이터에서 예측 성능 측면에서 기존 정규화 기법보다 어떻게 비교되는가?
• RQ4 모델이 대규모 뇌 네트워크의 통합 및 분리 성질을 어느 정도 반영하는가?
• RQ5 완전히 데이터 기반의 비지도 모델로 자발적 뇌 활동을 교차 검증을 통해 검증할 수 있는가?

주요 결과

• 교차 검증을 통해 검증된 결과, 제안된 방법은 다른 정규화 기법보다 새로운 데이터에서 뛰어난 일반화 성능을 달성한다.
• 추정된 기능 연결성 그래프는 고정 모드, 전두엽- parietaль, 시각 경로 등 알려진 인지 네트워크를 명확하고 통합된 커뮤니티로 드러낸다.
• ℓ21-정규화된 모델은 더 작은, 더 분리된 커뮤니티를 식별하는 반면, ℓ1-정규화된 모델은 특히 시각 경로와 같은 시스템에서 더 넓은 통합을 보여준다.
• 조건부 상호정보량과 엔트로피 측정치는 그래프 구조가 뇌 내 기능적 통합 및 분리 원칙을 잘 반영하고 있음을 확인한다.
• 이 연구는 전뇌 영역의 데이터 기반 확률적 자발적 뇌 활동 모델에 대해 교차 검증된 증거를 제공하는 최초의 사례이다.
• 결과적으로, 인구 사전 지식을 통합한 다중 그래픽 모델의 공동 추정이 개인 참가자 모델의 예측 정확도를 향상시킨다는 것이 입증되었다.