[论文解读] A Graph Signal Processing View on Functional Brain Imaging

Weiyu Huang, Thomas A. W. Bolton+4 more|arXiv (Cornell University)|Sep 29, 2017

Functional Brain Connectivity Studies参考文献 82被引用 8

一句话总结

本文提出了一种图信号处理（GSP）框架，将结构脑网络与功能脑信号相结合，以分析动态脑活动。通过将功能磁共振成像（fMRI）信号视为定义在结构连接图上的图信号，作者证明了低频和高频图模式均包含有意义的信息，其中与解剖结构对齐的信号在与注意力相关的网络中表现出更高的时间变异性，该结论通过置换数据检验和谱分解得到验证。

ABSTRACT

Modern neuroimaging techniques provide us with unique views on brain structure and function; i.e., how the brain is wired, and where and when activity takes place. Data acquired using these techniques can be analyzed in terms of its network structure to reveal organizing principles at the systems level. Graph representations are versatile models where nodes are associated to brain regions and edges to structural or functional connections. Structural graphs model neural pathways in white matter that are the anatomical backbone between regions. Functional graphs are built based on functional connectivity, which is a pairwise measure of statistical interdependency between activity traces of regions. Therefore, most research to date has focused on analyzing these graphs reflecting structure or function. Graph signal processing (GSP) is an emerging area of research where signals recorded at the nodes of the graph are studied atop the underlying graph structure. An increasing number of fundamental operations have been generalized to the graph setting, allowing to analyze the signals from a new viewpoint. Here, we review GSP for brain imaging data and discuss their potential to integrate brain structure, contained in the graph itself, with brain function, residing in the graph signals. We review how brain activity can be meaningfully filtered based on concepts of spectral modes derived from brain structure. We also derive other operations such as surrogate data generation or decompositions informed by cognitive systems. In sum, GSP offers a novel framework for the analysis of brain imaging data.

研究动机与目标

• 开发一个统一的框架，利用图信号处理（GSP）在结构脑网络的基础上分析功能脑成像数据。
• 研究脑活动如何与结构连接性对齐或偏离，特别是在注意力切换等动态认知过程的背景下。
• 评估功能MRI中观察到的信号模式是否在统计上显著，超出随机波动的范围，采用置换数据生成方法。
• 探索GSP工具（如谱滤波和分解）在帧级时间分辨率下捕捉时变功能动态的能力。
• 证明低频和高频图模式均携带生物学上相关的有意义信息，挑战传统观点中仅低频具有意义的假设。

提出的方法

• 将脑区视为节点，结构连接（来自扩散MRI）视为边，构建代表脑解剖主干的图结构。
• 将fMRI BOLD信号视为定义在结构图节点上的图信号，通过图拉普拉斯矩阵或其他移位算子实现谱分析。
• 使用谱窗函数（如扩散核）的图滤波技术，分离对应于不同图频率的功能活动成分。
• 通过置换数据生成——在保持图结构的同时随机化信号——创建零模型，以检验观察到的信号模式的显著性。
• 执行联合时空分解与局部化信号分析，提取与结构组织对齐的时变特征。
• 使用注意力切换任务的真实fMRI数据验证结果，比较扣带-岛盖网络与额顶网络中的信号行为。

实验结果

研究问题

• RQ1 在谱对齐或偏离方面，功能脑信号与潜在的结构连接图之间有何关系？
• RQ2 在注意力切换等认知任务中，哪些图频率分量（低频或高频）携带最具信息量的动力学特征？
• RQ3 观察到的功能信号与结构连接性的对齐模式在统计上是否显著，还是可能源于随机波动？
• RQ4 与基于二阶统计量的方法（如滑动窗相关性）相比，基于GSP的滤波与分解方法能否揭示更精细的时间动态特征？
• RQ5 图信号处理在多大程度上能够协调结构与功能脑数据，以改善对神经动力学的解释？

主要发现

• 在注意力切换任务中，与结构图特征向量对齐的信号在扣带-岛盖网络和额顶网络中表现出更高的时间变异性。
• 低频和高频图模式均包含生物学上有意义的信息，挑战了‘仅低频代表信号、高频代表噪声’的传统观点。
• 置换数据分析证实，观察到的功能信号与结构连接性的对齐具有统计显著性，不能归因于随机排列。
• GSP框架实现了对功能动态的帧级时间分辨率分析，相较于基于二阶统计量的方法（如滑动窗相关性）具有优势。
• 该方法在不同图移位算子（如邻接矩阵和拉普拉斯矩阵）下均表现一致，结果稳定，表明其鲁棒性。
• 使用扩散核的图滤波与神经扩散过程具有良好对应关系，提示其在疾病进展和功能网络从结构中涌现的建模中具有潜力。