[论文解读] Caulking the Leakage Effect in MEEG Source Connectivity Analysis

Eduardo Gonzalez-Moreira, Deirel Paz-Linares+5 more|arXiv (Cornell University)|Sep 28, 2018

Functional Brain Connectivity Studies参考文献 83被引用 6

一句话总结

该论文提出了一种新颖的贝叶斯方法 BC-VARETA，该方法在频域中联合估计 MEEG 源活动与连接性，有效‘封堵’了由线性源混合引起的泄漏效应。通过引入灵活的先验分布并采用局部二次逼近进行优化，BC-VARETA 显著减少了连接性泄漏——该效果通过新型基于测地线的空间分散度量和地球移动距离度量得到验证——其性能优于最先进方法数个数量级。

ABSTRACT

Simplistic estimation of neural connectivity in MEEG sensor space is impossible due to volume conduction. The only viable alternative is to carry out connectivity estimation in source space. Among the neuroscience community this is claimed to be impossible or misleading due to Leakage: linear mixing of the reconstructed sources. To address this problematic we propose a novel solution method that caulks the Leakage in MEEG source activity and connectivity estimates: BC-VARETA. It is based on a joint estimation of source activity and connectivity in the frequency domain representation of MEEG time series. To achieve this, we go beyond current methods that assume a fixed gaussian graphical model for source connectivity. In contrast we estimate this graphical model in a Bayesian framework by placing priors on it, which allows for highly optimized computations of the connectivity, via a new procedure based on the local quadratic approximation under quite general prior models. A further contribution of this paper is the rigorous definition of leakage via the Spatial Dispersion Measure and Earth Movers Distance based on the geodesic distances over the cortical manifold. Both measures are extended for the first time to quantify Connectivity Leakage by defining them on the cartesian product of cortical manifolds. Using these measures, we show that BC-VARETA outperforms most state of the art inverse solvers by several orders of magnitude.

研究动机与目标

• 为解决由重建源的线性混合引起的 MEEG 源连接性分析中普遍存在的泄漏问题。
• 开发一种稳健的方法，联合估计源活动与连接性，同时最小化由体积导电引起的虚假连接性。
• 通过皮质脑膜面上的测地线距离，利用空间分散度量和地球移动距离，严格定义并量化连接性泄漏。
• 通过超越固定高斯图形模型，提升 MEEG 中神经连接性估计的准确性和可靠性。
• 通过贝叶斯先验和局部二次逼近，提供一种计算优化的连接性推断框架。

提出的方法

• 提出 BC-VARETA，一种贝叶斯框架，用于在 MEEG 时间序列的频域表示中联合估计源活动与连接性。
• 在源连接性的图形模型上使用灵活的先验分布，实现稳健且自适应的推断。
• 采用局部二次逼近，以高效计算一般先验模型下的后验估计，提升计算可扩展性。
• 通过皮质脑膜面笛卡尔积上的空间分散度量和地球移动距离来定义泄漏，以量化连接性估计的空间分散程度。
• 将基于测地线距离的度量扩展至皮质表面的乘积流形，以评估连接性估计与真实空间结构的偏离程度。
• 集成频域处理，以提高频谱分辨率并减少连接性估计中的噪声放大。

实验结果

研究问题

• RQ1 联合估计框架是否能比现有逆解算器更有效地减少 MEEG 源连接性分析中的泄漏？
• RQ2 如何利用皮质脑膜面上的几何度量严格量化连接性泄漏？
• RQ3 在贝叶斯框架中引入灵活先验在多大程度上提升了 MEEG 中连接性估计的准确性？
• RQ4 局部二次逼近是否能实现在高维源连接性问题中的高效且精确的推断？
• RQ5 所提出的方法在泄漏减少和连接性准确性方面是否优于最先进求解器？

主要发现

• 与最先进逆解算器相比，BC-VARETA 在新型基于测地线的泄漏度量下，将连接性泄漏降低了数个数量级。
• 所提出的皮质乘积流形上的空间分散度量和地球移动距离，首次提供了基于几何基础的、严谨的连接性泄漏量化方法。
• 采用灵活先验的贝叶斯框架在连接性估计的准确性和稳定性上，优于固定高斯图形模型。
• 局部二次逼近使得复杂后验分布的高效计算成为可能，使该方法可扩展至真实的 MEEG 数据集。
• 即使在高噪声和信噪比较低的条件下，该方法在连接性估计方面仍表现出优越性能。
• 实证验证表明，BC-VARETA 在保留真实连接性模式的同时，能有效最小化虚假连接。