[논문 리뷰] Estimating Time-varying Brain Connectivity Networks from Functional MRI Time Series

Ricardo Pio Monti, Peter J. Hellyer외 4명|arXiv (Cornell University)|2013. 10. 14.

Functional Brain Connectivity Studies참고 문헌 52인용 수 7

한 줄 요약

이 논문은 fMRI 데이터로부터 시간에 따라 변화하는 기능적 뇌 연결망을 추정하기 위해 비정상성의 영향을 고려한 스무스 인크리멘탈 그래픽 라소 추정(SINGLE) 알고리즘을 제안한다. 인지 작업에 적용한 결과, 오른쪽 하부 전두엽 회절과 오른쪽 하부 편측 뇌엽에서 인지 조절 및 주의 조절에 핵심적인 역할을 하는 동적 연결 변화가 드러났다.

ABSTRACT

Understanding the functional architecture of the brain in terms of networks is becoming increasingly common. In most fMRI applications functional networks are assumed to be stationary, resulting in a single network estimated for the entire time course. However recent results suggest that the connectivity between brain regions is highly non-stationary even at rest. As a result, there is a need for new brain imaging methodologies that comprehensively account for the dynamic (i.e., non-stationary) nature of the fMRI data. In this work we propose the Smooth Incremental Graphical Lasso Estimation (SINGLE) algorithm which estimates dynamic brain networks from fMRI data. We apply the SINGLE algorithm to functional MRI data from 24 healthy patients performing a choice-response task to demonstrate the dynamic changes in network structure that accompany a simple but attentionally demanding cognitive task. Using graph theoretic measures we show that the Right Inferior Frontal Gyrus, frequently reported as playing an important role in cognitive control, dynamically changes with the task. Our results suggest that the Right Inferior Frontal Gyrus plays a fundamental role in the attention and executive function during cognitively demanding tasks and may play a key role in regulating the balance between other brain regions.

연구 동기 및 목표

• fMRI에서 정적 기능적 연결망 모델의 한계를 해결하기 위해 시간에 따라 변화하는 뇌 네트워크 역학을 포착할 수 있는 방법을 개발한다.
• 시간에 따라 변화하는 비정상성에 대응하면서도 fMRI 시간 시리즈로부터 희박한 고차원 정밀행렬을 추정한다.
• 특히 인지 조절과 연관된 부위에서 인지적으로 요구가 높은 작업 중 기능적 연결의 동적 변화를 규명한다.
• 기존 방법에 비해 계산 효율성과 통계적 검정력에서 향상된 강력하고 확장 가능한 동적 네트워크 추정 알고리즘을 제공한다.
• 건강한 피험자가 선택 반응 작업을 수행하는 실제 fMRI 데이터를 사용하여 방법의 타당성을 검증한다.

제안 방법

• SINGLE 알고리즘을 제안하며, 동적 네트워크 추정을 위해 증강 라그랑주 프레임워크와 ADMM 최적화를 활용한 그래픽 라소의 확장이다.
• fMRI 시간 시리즈를 겹치는 윈도우로 분할하고, 각 윈도우에서 정규화된 부분상관을 사용해 정밀행렬을 추정함으로써 시간에 따라 변화하는 연결을 모델링한다.
• 추정된 네트워크 구조의 시간 연속성을 강화하기 위해 부드러움 페널티를 적용하여 노이즈를 줄이고 안정성을 향상시킨다.
• 최적화 문제를 효율적으로 해결하기 위해 교대 방향 승수법(ADMM)을 사용하여 고차원 fMRI 데이터에서도 빠른 계산을 가능하게 한다.
• 검출된 연결 변화의 통계적 유의성을 평가하기 위해 블록 부트스트랩 순열 검정을 도입하여 가짜 양성 결과에 대한 저항력을 확보한다.
• 변화점 탐지 과정에서 모델 적합도와 복잡도의 균형을 이루기 위해 베이지안 정보 기준(BIC)을 활용한다.

실험 결과

연구 질문

• RQ1 시간에 따라 기능적 연결이 비정상적인 fMRI 데이터에서 기능적 연결망을 어떻게 추정할 수 있는가?
• RQ2 인지적으로 요구가 높은 작업 중 어떤 뇌 부위에서 연결의 동적 변화가 나타나는가?
• RQ3 오른쪽 하부 전두엽 회절과 오른쪽 하부 편측 뇌엽이 주의 요구가 높은 작업 중에 시간에 따라 변화하는 연결 패턴을 얼마나 잘 보여주는가?
• RQ4 스무스하고 인크리멘탈 추정 프레임워크는 기존 정적 모델에 비해 일시적인 연결 변화 탐지에 얼마나 향상되는가?
• RQ5 정규화 및 최적화 기법을 사용해 실제 fMRI 데이터에서 동적 뇌 네트워크를 추정할 때 계산 가능성과 통계적 강건성은 어느 정도인가?

주요 결과

• SINGLE 알고리즘은 일시적인 네트워크 변화에 대해 향상된 민감도를 보이며 fMRI 데이터로부터 시간에 따라 변화하는 기능적 연결망을 성공적으로 추정한다.
• 선택 반응 작업 중 오른쪽 하부 전두엽 회절과 오른쪽 하부 편측 뇌엽에서 연결 구조의 유의미한 동적 변화가 관찰되었다.
• 그래프 이론적 분석 결과, 이 부위들은 작업 수행 중 중심성과 연결성이 증가하여 인지 조절에 핵심적인 역할을 한다는 것이 확인되었다.
• 블록 부트스트랩 순열 검정을 통해 유의미한 통계적 유의성와 강건성이 입증되어 생물학적 타당성이 뒷받침된다.
• 기존 정적 연결 추정 방법에 비해 일시적이고 작업에 의해 조절되는 네트워크 재구성 패턴을 더 잘 포착한다.
• SINGLE의 계산 복잡도는 O((n + b)p³)이며, 여기서 n은 시간 포인트 수이고 b는 부트스트랩 순열 수이므로 중간 크기의 fMRI 데이터셋에 대해 확장 가능하다.