[论文解读] Nonparametric Modeling of Dynamic Functional Connectivity in fMRI Data

Søren F. V. Nielsen, Kristoffer H. Madsen+3 more|arXiv (Cornell University)|Jan 4, 2016

Functional Brain Connectivity Studies参考文献 23被引用 5

一句话总结

该论文提出了一种非参数贝叶斯模型——IHMM-Wishart，用于功能性磁共振成像（fMRI）中的动态功能连接（FC），该模型可自动推断动态状态的数量，而无需预先指定窗口长度或状态数量。通过预测似然，该模型在个体内部和跨个体间成功区分了运动任务与静息状态，揭示出动态FC状态主要由个体特异性差异和预处理差异驱动，而非任务条件。

ABSTRACT

Dynamic functional connectivity (FC) has in recent years become a topic of interest in the neuroimaging community. Several models and methods exist for both functional magnetic resonance imaging (fMRI) and electroencephalography (EEG), and the results point towards the conclusion that FC exhibits dynamic changes. The existing approaches modeling dynamic connectivity have primarily been based on time-windowing the data and k-means clustering. We propose a non-parametric generative model for dynamic FC in fMRI that does not rely on specifying window lengths and number of dynamic states. Rooted in Bayesian statistical modeling we use the predictive likelihood to investigate if the model can discriminate between a motor task and rest both within and across subjects. We further investigate what drives dynamic states using the model on the entire data collated across subjects and task/rest. We find that the number of states extracted are driven by subject variability and preprocessing differences while the individual states are almost purely defined by either task or rest. This questions how we in general interpret dynamic FC and points to the need for more research on what drives dynamic FC.

研究动机与目标

• 开发一种用于fMRI中动态功能连接的非参数贝叶斯模型，避免预先指定窗口长度和动态状态数量。
• 评估该模型是否能在完全无监督设置下，利用预测似然区分运动任务与静息状态。
• 研究在群体水平上，哪些因素——任务、个体特异性变异还是预处理差异——驱动了动态FC状态的出现。
• 评估该模型在跨个体间泛化的能力，并识别fMRI数据中脑状态的生物标志物。

提出的方法

• 使用无限隐马尔可夫模型（IHMM）结合截断狄利克雷分布（GEM）构造方法，对状态转移进行建模，而无需固定状态数量。
• 在每个状态特有的协方差矩阵上应用逆Wishart先验，以非参数方式建模功能连接模式。
• 采用具有状态特异性协方差矩阵的高斯似然函数，并通过时变幅度参数进行缩放，以确保对数据幅值的不变性。
• 使用预测似然验证模型在保留测试数据上区分运动任务与静息状态的性能。
• 通过汇总所有被试的数据并以完全无监督方式在被试和任务之间运行模型，进行群体水平分析。
• 利用后验样本中的互信息量化个体、任务和预处理对状态动态的影响。

实验结果

研究问题

• RQ1 IHMM-Wishart模型是否能够在不预先知晓窗口长度或状态数量的情况下，成功区分fMRI数据中的运动任务与静息状态？
• RQ2 是什么因素驱动了动态功能连接状态的出现——任务条件、个体特异性变异，还是预处理差异？
• RQ3 推断出的动态状态数量在不同被试和条件下如何变化？哪些因素影响了这种变化？
• RQ4 该模型在识别任务特异性动态状态方面，跨被试的泛化能力在多大程度上成立？
• RQ5 预处理差异在群体水平上如何影响动态FC状态的结构与解释？

主要发现

• IHMM-Wishart模型在28名被试中的26.5名被试中，平均成功通过预测似然区分了运动状态与静息状态，表明其具有强大的判别能力。
• 个体内部分析显示，大多数模型仅推断出单一动态状态，表明由于数据量较小（116个时间点），个体被试中动态结构有限。
• 在群体水平上，模型推断出超过两个动态状态，且这些状态与运动或静息条件明确关联，未出现混合状态。
• 个体身份和预处理差异被确定为动态状态结构的主要驱动因素，其与状态序列的互信息高于任务条件。
• 模型揭示，仅预处理差异对动态FC状态的影响强于任务类型，挑战了任务驱动动态性的既有假设。
• ICA成分图证实，与运动相关的网络在运动状态的协方差矩阵中持续活跃，而在静息状态矩阵中被抑制。