[论文解读] A Framework for Exploring Non-Linear Functional Connectivity and Causality in the Human Brain: Mutual Connectivity Analysis (MCA) of Resting-State Functional MRI with Convergent Cross-Mapping and Non-Metric Clustering

Axel Wismüller, Xixi Wang+2 more|arXiv (Cornell University)|Jul 14, 2014

Functional Brain Connectivity Studies参考文献 21被引用 41

一句话总结

该论文提出了一种无模型框架——互连性分析（MCA），通过交叉预测和收敛交叉映射（CCM）技术，用于在静息态fMRI中识别非线性功能连通性与因果关系。该方法将非度量聚类（Louvain方法）与MCA相结合，成功恢复了与任务态fMRI中初级运动皮层和辅助运动区定位高度一致的运动网络社区，展示了MCA在无需预先设定任务范式的情况下揭示大脑内在网络结构的潜力。

ABSTRACT

We present a computational framework for analysis and visualization of non-linear functional connectivity in the human brain from resting state functional MRI (fMRI) data for purposes of recovering the underlying network community structure and exploring causality between network components. Our proposed methodology of non-linear mutual connectivity analysis (MCA) involves two computational steps. First, the pair-wise cross-prediction performance between resting state fMRI pixel time series within the brain is evaluated. The underlying network structure is subsequently recovered from the affinity matrix constructed through MCA using non-metric network partitioning/clustering with the so-called Louvain method. We demonstrate our methodology in the task of identifying regions of the motor cortex associated with hand movement on resting state fMRI data acquired from eight slice locations in four subjects. For comparison, we also localized regions of the motor cortex through a task-based fMRI sequence involving a finger-tapping stimulus paradigm. Finally, we integrate convergent cross mapping (CCM) into the first step of MCA for investigating causality between regions of the motor cortex. Results regarding causation between regions of the motor cortex revealed a significant directional variability and were not readily interpretable in a consistent manner across all subjects. However, our results on whole-slice fMRI analysis demonstrate that MCA-based model-free recovery of regions associated with the primary motor cortex and supplementary motor area are in close agreement with localization of similar regions achieved with a task-based fMRI acquisition. Thus, we conclude that our computational framework MCA can extract and visualize valuable information concerning the underlying network structure and causation between different regions of the brain in resting state fMRI.

研究动机与目标

• 开发一种无模型方法，用于检测静息态fMRI中的非线性功能连通性。
• 在无任务驱动激活的条件下，利用收敛交叉映射（CCM）探索脑区间的功能因果关系。
• 通过在互连通性矩阵上应用非度量聚类，恢复大脑的潜在网络社区结构。
• 将基于MCA的运动皮层区域定位结果与已建立的任务态fMRI结果进行验证。
• 评估跨被试方向性因果关系估计的一致性与可解释性。

提出的方法

• MCA通过计算脑 voxel fMRI 时间序列对之间的交叉预测性能，来估计互连通性。
• 基于交叉预测得分构建亲和矩阵，以表示非线性功能连通性。
• 利用Louvain方法对亲和矩阵执行非度量聚类，以识别网络社区。
• 对运动皮层区域之间应用收敛交叉映射（CCM）以推断方向性因果关系。
• 通过将MCA识别出的运动区域与标准手指敲击任务范式下fMRI检测到的区域进行比较，对结果进行验证。
• 该框架在四位被试的多切片静息态fMRI数据上运行，分析覆盖八个切片位置。

实验结果

研究问题

• RQ1 在无任务激活的情况下，互连性分析（MCA）能否成功从静息态fMRI中恢复已知的运动网络区域？
• RQ2 MCA在定位初级运动皮层和辅助运动区方面的性能与传统任务态fMRI相比如何？
• RQ3 在静息态数据中，收敛交叉映射（CCM）在多大程度上能揭示运动皮层亚区之间的可解释方向性因果关系？
• RQ4 MCA识别出的网络社区结构在不同被试间是否具有鲁棒性和一致性？
• RQ5 与线性相关性方法相比，MCA捕获的非线性相互作用程度如何？

主要发现

• MCA成功识别出与任务态fMRI手指敲击范式定位结果高度一致的初级运动皮层和辅助运动区区域。
• 基于MCA恢复的运动网络社区与任务态fMRI结果在空间上表现出高度一致性，表明其在检测功能相关区域方面具有高可靠性。
• 基于CCM的因果关系分析揭示了运动皮层区域间显著的方向性差异，但结果在所有被试中并非始终具有可解释性。
• 非度量聚类方法（Louvain方法）能够基于非线性连通性模式，有效将大脑划分为具有生物学合理性的网络社区。
• 该框架证明，静息态fMRI中的非线性功能连通性可被有效利用，以在无需任务范式的情况下提取有意义的网络结构。
• 本研究证实，MCA是功能性脑网络分析的可行替代方法，尤其适用于任务态设计不切实际的场景。