[论文解读] A Multi-Resolution Spatio-Temporal Model for Brain Activation and Connectivity in fMRI Data

Stefano Castruccio, Hernando Ombao+1 more|arXiv (Cornell University)|Feb 7, 2016

Functional Brain Connectivity Studies参考文献 41被引用 4

一句话总结

本文提出了一种用于fMRI数据的多分辨率时空高斯过程模型，该模型联合建模了体素水平的激活与全脑连接性，同时考虑了感兴趣区域（ROIs）内部及之间的局部非平稳空间依赖性。通过整合空间变化系数与图形LASSO以实现稀疏连接性估计，该模型相比标准方法提高了检测效能并降低了第一类错误率，在中风患者运动任务研究中揭示了左额叶与罗兰氏回区ROI之间更强且可解释的功能连接性。

ABSTRACT

Functional Magnetic Resonance Imaging (fMRI) is a primary modality for studying brain activity. Modeling spatial dependence of imaging data at different scales is one of the main challenges of contemporary neuroimaging, and it could allow for accurate testing for significance in neural activity. The high dimensionality of this type of data (on the order of hundreds of thousands of voxels) poses serious modeling challenges and considerable computational constraints. For the sake of feasibility, standard models typically reduce dimensionality by modeling covariance among regions of interest (ROIs) -- coarser or larger spatial units -- rather than among voxels. However, ignoring spatial dependence at different scales could drastically reduce our ability to detect activation patterns in the brain and hence produce misleading results. To overcome these problems, we introduce a multi-resolution spatio-temporal model and a computationally efficient methodology to estimate cognitive control related activation and whole-brain connectivity. The proposed model allows for testing voxel-specific activation while accounting for non-stationary local spatial dependence within anatomically defined ROIs, as well as regional dependence (between-ROIs). Furthermore, the model allows for detection of interpretable connectivity patterns among ROIs using the graphical Least Absolute Shrinkage Selection Operator (LASSO). The model is used in a motor-task fMRI study to investigate brain activation and connectivity patterns aimed at identifying associations between these patterns and regaining motor functionality following a stroke.

研究动机与目标

• 解决在高维fMRI数据中建模复杂、非平稳空间依赖性的挑战，同时保持计算可行性。
• 通过超越ROI平均模型、实现体素特异性推断，提高检测脑激活与连接性模式的统计效能和准确性。
• 开发一种可扩展、计算高效的框架，同时捕捉局部空间结构与区域连接性。
• 通过减少因忽略空间相关性而导致的假阳性率，提升临床fMRI研究（尤其是中风患者）中的推断可靠性。
• 利用图形LASSO构建可解释的稀疏连接网络，避免经验协方差矩阵的过度参数化。

提出的方法

• 该模型采用分层贝叶斯框架，结合空间变化系数，以捕捉解剖学定义的ROIs内误差结构的局部非平稳性。
• 采用多分辨率表示以在多个尺度上建模空间依赖性，从而实现灵活、数据驱动的空间相关性结构。
• 通过带ROI特异性随机效应的线性混合效应模型对体素特异性激活进行建模，以捕捉局部与全局连接性模式。
• 利用具有非平稳协方差函数的高斯过程估计空间依赖性结构，该函数可适应局部几何形状与各向异性。
• 对ROI级随机效应的估计精度矩阵应用图形LASSO，以推断稀疏、可解释的无向连接网络。
• 设计了一种定制化推断算法，通过并行化处理缓解高维fMRI数据带来的计算负担，实现可扩展的估计。

实验结果

研究问题

• RQ1 多分辨率时空模型是否能通过考虑局部非平稳空间依赖性，提升fMRI数据中脑激活的检测能力？
• RQ2 与ROI层面建模相比，采用体素层面的空间依赖性建模如何影响fMRI分析中的统计效能与第一类错误率？
• RQ3 在运动任务期间，脑区间的功能连接结构是怎样的？能否使用稀疏、可解释的图模型可靠估计该结构？
• RQ4 所提出的模型是否在检测中风患者运动功能缺损恢复过程中的激活模式方面优于标准方法？
• RQ5 空间相关性结构在ROI的不同子区域间如何变化？这些变化揭示了何种潜在的神经组织特征？

主要发现

• 与标准方法相比，该模型通过正确建模局部非平稳空间依赖性，显著降低了第一类错误率，而各向同性或平稳模型无法捕捉此类依赖性。
• 空间相关性的非平稳性具有复杂性，仅靠局部各向异性结构无法充分建模，表明需要更灵活的空间建模方法。
• 通过图形LASSO（λ=0.01）识别出的最强直接功能连接位于左额盖区与左罗兰氏回区之间，这两个区域已知与失语症和发音控制相关。
• 辅助运动区（SMA-L）的子区域间空间相关性结构存在显著差异：前部区域表现出更接近圆形的依赖模式，后部区域则呈现方向性（椭球形）模式。
• 该模型实现了无需预先定义任意ROI的体素特异性激活推断，避免了确定多少活跃体素构成一个功能活跃ROI所带来的模糊性。
• 数值研究证实，忽略局部非平稳性会导致次优检验程序，而所提模型的犯第一类错误率更接近名义水平。