[论文解读] Bayesian Inference of Whole-Brain Networks

Max Hinne, Tom Heskes+1 more|arXiv (Cornell University)|Feb 8, 2012

Advanced Neuroimaging Techniques and Applications参考文献 37被引用 10

一句话总结

本文提出贝叶斯连接组学（Bayesian connectomics），这是一种基于贝叶斯框架的原理性方法，通过建模图的后验分布，从概率示踪数据中推断全脑结构网络，采用 streamline 数据的似然模型和指数随机图模型（ERGM）先验以编码已知的网络特性。该方法在模拟实验中优于传统阈值法，能更准确地重建真实连接，尤其在引入先验知识时表现更优。

ABSTRACT

In structural brain networks the connections of interest consist of white-matter fibre bundles between spatially segregated brain regions. The presence, location and orientation of these white matter tracts can be derived using diffusion MRI in combination with probabilistic tractography. Unfortunately, as of yet no approaches have been suggested that provide an undisputed way of inferring brain networks from tractography. In this paper, we provide a computational framework which we refer to as Bayesian connectomics. Rather than applying an arbitrary threshold to obtain a single network, we consider the posterior distribution of networks that are supported by the data, combined with an exponential random graph (ERGM) prior that captures a priori knowledge concerning the graph-theoretical properties of whole-brain networks. We show that, on simulated probabilistic tractography data, our approach is able to reconstruct whole-brain networks. In addition, our approach directly supports multi-model data fusion and group-level network inference.

研究动机与目标

• 为解决从概率示踪数据中推断全脑结构网络缺乏系统性方法的问题。
• 用统计上严谨的框架替代启发式阈值法，以考虑 streamline 数据中的不确定性。
• 通过整合关于网络结构的先验知识，实现多模态数据融合与群体水平网络推断。
• 在模拟数据上验证该框架，并展示其在准确性上优于传统方法。

提出的方法

• 该框架使用马尔可夫链蒙特卡洛（MCMC）采样方法，对全脑网络的后验分布进行建模，以探索可能图结构的空间。
• 采用多变量狄利克雷分布定义似然模型，以表示脑区间之间 streamline 计数的噪声。
• 指数随机图模型（ERGM）先验用于编码图论特性方面的先验知识，如聚类系数、路径长度和小世界结构。
• 先验由参数 β 参数化，用于控制网络拓扑的影响，以及由超参数 a̅ 和 a̲ 参数化，用于建模假阳性 streamline 的概率。
• 通过在同一概率框架内整合来自多个受试者或模态的数据，该方法支持多模型融合与群体水平推断。
• 采用最大后验估计（MAP）作为主要的网络重建方法，以在数据证据与先验约束之间实现平衡。

实验结果

研究问题

• RQ1 贝叶斯连接组学能否从模拟的概率示踪数据中准确重建真实的全脑网络结构？
• RQ2 与阈值法或非信息性先验相比，引入信息性 ERGM 先验是否能提升网络重建的准确性？
• RQ3 该框架如何支持连接组学中的多模态数据融合与群体水平网络推断？
• RQ4 超参数选择对网络重建性能有何影响？

主要发现

• 贝叶斯连接组学方法在模拟数据中成功重建了真实的连接结构，近乎完美地恢复了长程连接。
• 最大后验（MAP）解显著优于阈值法和最大似然（ML）方法，后者因 streamline 噪声导致大量假阳性。
• 使用信息性先验（特别是 β=2）可准确恢复小世界网络特征，即使先验假设空图最可能成立。
• 该方法对 streamline 数据中的假阳性具有鲁棒性，尤其在交叉纤维和分叉纤维等模糊纤维构型中表现优异。
• 该框架通过在单一概率模型中整合多样化数据源，自然支持多模态数据融合与群体水平推断。