[论文解读] Benchmarking confound regression strategies for the control of motion artifact in studies of functional connectivity

Rastko Ćirić, Daniel H. Wolf+12 more|arXiv (Cornell University)|Aug 11, 2016

Functional Brain Connectivity StudiesNeuroscience参考文献 60被引用 18

一句话总结

本研究使用193名年轻成年人的数据，对12种混杂因素回归方法在fMRI功能连接分析中减少运动伪影的效果进行了基准测试。结果表明，全局信号回归（GSR）能最小化运动-连接关系，但会加剧与距离相关的伪影；而剔除法（censoring）能同时减轻两类伪影，但会损失更多自由度，凸显了方法选择在研究目标下的权衡。

ABSTRACT

Since initial reports regarding the impact of motion artifact on measures of functional connectivity, there has been a proliferation of confound regression methods to limit its impact. However, recent techniques have not been systematically evaluated using consistent outcome measures. Here, we provide a systematic evaluation of 12 commonly used confound regression methods in 193 young adults. Specifically, we compare methods according to three benchmarks, including the residual relationship between motion and connectivity, distance-dependent effects of motion on connectivity, and additional degrees of freedom lost in confound regression. Our results delineate two clear trade-offs among methods. First, methods that include global signal regression minimize the relationship between connectivity and motion, but unmask distance-dependent artifact. In contrast, censoring methods mitigate both motion artifact and distance-dependence, but use additional degrees of freedom. Taken together, these results emphasize the heterogeneous efficacy of proposed methods, and suggest that different confound regression strategies may be appropriate in the context of specific scientific goals.

研究动机与目标

• 系统评估12种混杂因素回归策略在控制静息态fMRI功能连接研究中运动伪影方面的有效性。
• 通过三个基准对比不同方法：残余运动-连接关系、与距离相关的运动效应，以及因混杂因素回归而损失的自由度。
• 阐明现有方法性能的异质性，并根据科学目标指导方法选择。
• 强调透明报告运动效应的重要性，以区分真实连接与运动诱导的偏差。

提出的方法

• 本研究评估了12种混杂因素回归方法，包括全局信号回归、剔除法（scrubbing、脉冲回归）、CompCor、ICA-AROMA以及局部白质信号回归。
• 使用标准化预处理流程分析了193名年轻成年人的数据，通过区域时间序列的皮尔逊相关性计算功能连接。
• 应用了三个评估基准：(1) 运动参数与功能连接之间的残余相关性，(2) 运动对连接性的距离依赖性效应，(3) 因混杂因素回归而损失的自由度。
• 统计建模评估了每种方法如何改变运动与连接性之间的关系，尤其关注短程与长程连接的差异。
• 通过单一、大规模且特征清晰的数据集，使用一致的结果度量对方法进行比较，以确保公平的基准测试。
• 分析同时涵盖群体水平推断与个体水平对运动的敏感性，强调结果的可重复性与生物学相关性。

实验结果

研究问题

• RQ1 哪种混杂因素回归方法最有效地减少运动与功能连接之间的残余关系？
• RQ2 不同方法如何影响与距离相关的运动伪影，特别是在短程与长程连接中的表现？
• RQ3 混杂因素回归方法在多大程度上减少了统计自由度，这对推断有何影响？
• RQ4 是否存在一种方法能同时最小化运动-连接关系与与距离相关的伪影，且不造成过度的统计效能损失？
• RQ5 方法选择在存在运动干扰的情况下，如何影响功能连接结果的可解释性与可靠性？

主要发现

• 全局信号回归（GSR）最有效地最小化了运动与功能连接之间的残余关系，减少了与运动相关的虚假相关性。
• 然而，GSR暴露或加剧了与距离相关的运动伪影，导致短程连接的连接性增强，而长程连接的连接性降低。
• 剔除法（如scrubbing和脉冲回归）比GSR更有效地缓解了运动-连接关系与与距离相关的伪影。
• 剔除法导致显著的自由度损失，降低了统计效能，并增加了连接性估计的变异性。
• 使用高阶混杂因素回归项（如导数、二次项）的方法相比随机回归项表现出更优的模型拟合度，表明其具有特异性而非仅对噪声的响应。
• 没有一种方法在所有基准上均优于其他方法，表明方法选择必须与具体的研究目标和数据特征相匹配。