[논문 리뷰] Modeling Shared Responses in Neuroimaging Studies through MultiView ICA

Hugo Richard, Luigi Gresele외 4명|arXiv (Cornell University)|2020. 06. 11.

Functional Brain Connectivity Studies참고 문헌 69인용 수 6

한 줄 요약

이 논문은 뇌영상 데이터에서 개인 간 이질성이 높은 대규모 집단에서 공유된 독립적 소스를 가정하고, 각 개인의 혼합 행렬과 소스에 대한 노이즈를 고려하는 새로운 확률적 그룹 ICA 모델인 MultiView ICA를 제안한다. 이 방법은 대체 쿼드-뉴턴 최적화를 통해 폐쇄형 우도 추정과 빠른 수렴을 가능하게 하여 fMRI에서 공통 뇌 반응을 더 민감하게 특정하고, 세션 간 변동성을 감소시키며, MEG 데이터에서 기존 방법보다 더 정확한 소스 국소화를 달성한다.

ABSTRACT

Group studies involving large cohorts of subjects are important to draw general conclusions about brain functional organization. However, the aggregation of data coming from multiple subjects is challenging, since it requires accounting for large variability in anatomy, functional topography and stimulus response across individuals. Data modeling is especially hard for ecologically relevant conditions such as movie watching, where the experimental setup does not imply well-defined cognitive operations. We propose a novel MultiView Independent Component Analysis (ICA) model for group studies, where data from each subject are modeled as a linear combination of shared independent sources plus noise. Contrary to most group-ICA procedures, the likelihood of the model is available in closed form. We develop an alternate quasi-Newton method for maximizing the likelihood, which is robust and converges quickly. We demonstrate the usefulness of our approach first on fMRI data, where our model demonstrates improved sensitivity in identifying common sources among subjects. Moreover, the sources recovered by our model exhibit lower between-session variability than other methods.On magnetoencephalography (MEG) data, our method yields more accurate source localization on phantom data. Applied on 200 subjects from the Cam-CAN dataset it reveals a clear sequence of evoked activity in sensor and source space. The code is freely available at https://github.com/hugorichard/multiviewica.

연구 동기 및 목표

• 고도로 이질적인 개인 간 기능적 반응을 공유하는 대규모 코hort에서 신경영상 연구의 도전 과제를 해결하기 위해.
• 기존의 두 단계 접근 방식의 한계를 극복하기 위해 통계적 추론에 기반한 체계적이고 확률적인 그룹 ICA 프레임워크를 개발하기 위해.
• 폐쇄형 우도를 정의함으로써 공유 소스의 효율적이고 강건한 추정을 가능하게 하여 빠른 최적화를 허용하기 위해.
• 영구적인 자극(예: 영화 시청) 하에서 공통 신경 반응을 식별하는 데 있어 민감도와 재현성을 향상시키기 위해.
• fMRI 및 MEG 데이터셋에서 방법을 검증하여, 소스 식별 및 국소화에서 기존 방법보다 뛰어난 성능을 보여주기 위해.

제안 방법

• MultiView ICA 모델은 각 개인의 데이터가 공통 독립 소스의 선형 조합에 가우시안 노이즈가 더해진 것으로 가정하며, 노이즈는 센서 수준이 아니라 소스 수준에 모델링된다.
• 모델은 모든 개인에게 동일한 소스 행렬을 가정하지만, 개인별 기능적 지도를 반영하기 위해 개인별 혼합 행렬을 허용한다.
• 소스 수준의 노이즈를 가정함으로써 우도를 폐쇄형으로 유도하여 우도를 단순화하고 효율적인 최적화를 가능하게 한다.
• 우도를 최대화하기 위해 대체 쿼드-뉴턴 방법을 개발하여 빠르고 강건한 수렴을 보장한다.
• 결과가 노이즈 파라미터 선택에 민감하지 않음을 보여주기 위해 민감도 분석을 통합한다.
• 차원 감소를 위해 PCA를 적용한 후, 최적화된 모델을 통해 소스 추출을 수행하여 fMRI 및 MEG 데이터에 적용한다.

실험 결과

연구 질문

• RQ1 폐쇄형 우도를 갖는 그룹 ICA 모델이 fMRI 및 MEG 데이터에서 개인 간 공유된 신경 반응을 더 잘 식별할 수 있는가?
• RQ2 센서 수준이 아닌 소스 수준에서 노이즈를 모델링하면 더 안정적이고 정확한 소스 추정이 가능한가?
• RQ3 GroupICA, CanICA, SRM, PermICA와 같은 기존 그룹 ICA 방법과 비교할 때 MultiView ICA는 민감도와 재현성 측면에서 어떻게 다른가?
• RQ4 인지적 작업이 잘 정의되지 않은 자연주의적 자극(예: 영화 시청) 하에서, 이 방법이 더 나은 공통 뇌 반응 회복을 가능하게 하는가?
• RQ5 기본 방법 대비 MultiView ICA는 MEG 필라멘트 데이터에서 더 정확한 소스 국소화를 제공하는가?

주요 결과

• 200명의 피험자를 포함한 Cam-CAN fMRI 데이터셋에서 MultiView ICA는 센서 공간과 소스 공간 양쪽에서 명확하고 시간적으로 순서가 정돈된 뇌 활동 패tern을 드러냈다.
• 시간 세그먼트 매칭 작업에서 MultiView ICA는 Sherlock 데이터셋에서 0.873의 정확도를 기록하여 다음으로 우수한 방법인 CanICA(0.607)를 크게 앞섰다.
• 누락된 피험자의 BOLD 신호 복원에서 MultiView ICA는 Sherlock 데이터셋에서 평균 R2 스코어 0.161을 기록하여 GroupICA(0.091)와 PCA+GroupICA(0.087)를 모두 초월했다.
• 필라멘트 MEG 데이터에서 MultiView ICA는 중앙값 복원 오차 0.0045를 기록하여 GroupICA(0.1098)와 PCA+GroupICA(0.1111)보다 유의미하게 낮았다.
• 다른 방법 대비 소스 지도에서 세션 간 변동성이 낮아, 재현성 향상이 확인되었다.
• 민감도 분석을 통해 결과가 노이즈 파라미터 선택에 거의 민감하지 않음을 확인하여, 다양한 데이터셋에서 강건한 성능을 보였다.