[论文解读] PrAGMATiC: a Probabilistic and Generative Model of Areas Tiling the Cortex

Alexander G. Huth, Thomas L. Griffiths+2 more|arXiv (Cornell University)|Apr 14, 2015

Neural dynamics and brain function参考文献 17被引用 10

一句话总结

PrAGMATiC 是一种分层贝叶斯生成模型，通过将皮层区域建模为弹簧连接的质心，从神经影像数据中推断群体水平的皮层图谱，从而在无需解剖共注册的情况下实现跨个体的稳健映射。它利用概率推理学习跨受试者共享的拓扑组织和功能选择性，展示了在功能数据中的适用性，并具备自动 ROI 标注和表示相似性分析的潜力。

ABSTRACT

Much of the human cortex seems to be organized into topographic cortical maps. Yet few quantitative methods exist for characterizing these maps. To address this issue we developed a modeling framework that can reveal group-level cortical maps based on neuroimaging data. PrAGMATiC, a probabilistic and generative model of areas tiling the cortex, is a hierarchical Bayesian generative model of cortical maps. This model assumes that the cortical map in each individual subject is a sample from a single underlying probability distribution. Learning the parameters of this distribution reveals the properties of a cortical map that are common across a group of subjects while avoiding the potentially lossy step of co-registering each subject into a group anatomical space. In this report we give a mathematical description of PrAGMATiC, describe approximations that make it practical to use, show preliminary results from its application to a real dataset, and describe a number of possible future extensions.

研究动机与目标

• 开发一种方法，以在脑结构解剖变异的情况下，识别个体间一致的拓扑皮层图谱。
• 通过在统一的概率框架中整合功能和解剖约束，克服传统共注册和 ROI 基方法的局限性。
• 通过群体水平的统计建模实现稳健、数据驱动的功能皮层图谱发现，而无需假设解剖对应完美匹配。
• 支持自动 ROI 标注、表示相似性分析以及基于端到端贝叶斯推断的静息态数据建模等应用。

提出的方法

• PrAGMATiC 将皮层图谱建模为一组弹簧连接的区域质心，其中弹簧长度和刚度编码跨受试者的拓扑关系。
• 该模型使用玻尔兹曼分布定义图谱排列和功能发射的概率，通过跨受试者共享的参数捕捉群体水平的组织结构。
• 功能响应被建模为给定区域归属的多变量正态分布，其均值响应由刺激特征的线性组合或时间序列协方差推导得出。
• 模型参数——包括弹簧常数、长度和功能权重——通过最大似然估计学习，使用类似于对比散度的马尔可夫链蒙特卡洛技术。
• 该框架支持扩展至基于协方差的建模，使用威沙特分布对静息态数据进行建模，并支持体素级功能模型的端到端拟合。
• 通过应用吉布斯采样和模拟退火，可实现自动 ROI 标注，基于新受试者中学习到的、已标注的区域配置分配标签。

实验结果

研究问题

• RQ1 当解剖对齐不可靠时，如何在个体间识别一致的拓扑皮层图谱？
• RQ2 概率生成模型能否在无需预先共注册的情况下，联合学习皮层区域的功能选择性和空间组织？
• RQ3 与纯解剖或功能对齐方法相比，PrAGMATiC 在跨受试者功能映射方面能提升多少？
• RQ4 PrAGMATiC 能否利用局部定位数据，在新受试者中自动标注已知的功能 ROI（如 FFA 或 PPA）？
• RQ5 如何将 PrAGMATiC 适配为使用区域级表示差异矩阵分析表示相似性？

主要发现

• PrAGMATiC 通过将区域排列建模为弹簧系统，成功推断出跨受试者的共享皮层图谱组织，避免了对解剖归一化的依赖。
• 该模型通过学习弹簧长度和刚度的公共参数，编码拓扑关系，实现了改进的跨受试者功能映射。
• 初步结果表明，PrAGMATiC 可应用于真实 fMRI 数据集，揭示一致的功能图谱，而无需依赖群体解剖模板。
• 该框架通过在新受试者中优化区域配置以最大化观测功能数据的似然性，实现了自动 ROI 标注，利用先前学习到的已标注模型。
• 通过使用威沙特分布对区域间功能协方差矩阵进行建模，PrAGMATiC 可扩展至静息态数据，仅凭功能连接即可实现无监督分割。
• 该模型通过在生成框架内整合体素级功能建模，支持端到端推断，实现区域边界和功能权重的联合估计。