[论文解读] Brain covariance selection: better individual functional connectivity models using population prior

Gaël Varoquaux, Alexandre Gramfort+2 more|arXiv (Cornell University)|Aug 30, 2010

Functional Brain Connectivity Studies参考文献 31被引用 166

一句话总结

本文提出了一种大脑协方差选择方法，利用群体水平的fMRI数据，学习个体化的、高维的概率功能连接模型。通过在受试者间施加相同的图模型结构，该方法提升了对未见数据的泛化能力——首次展示了通过交叉验证的、数据驱动的功能连接图模型，能够将已知的认知网络呈现为功能连接图中的整合社区。

ABSTRACT

Spontaneous brain activity, as observed in functional neuroimaging, has been shown to display reproducible structure that expresses brain architecture and carries markers of brain pathologies. An important view of modern neuroscience is that such large-scale structure of coherent activity reflects modularity properties of brain connectivity graphs. However, to date, there has been no demonstration that the limited and noisy data available in spontaneous activity observations could be used to learn full-brain probabilistic models that generalize to new data. Learning such models entails two main challenges: i) modeling full brain connectivity is a difficult estimation problem that faces the curse of dimensionality and ii) variability between subjects, coupled with the variability of functional signals between experimental runs, makes the use of multiple datasets challenging. We describe subject-level brain functional connectivity structure as a multivariate Gaussian process and introduce a new strategy to estimate it from group data, by imposing a common structure on the graphical model in the population. We show that individual models learned from functional Magnetic Resonance Imaging (fMRI) data using this population prior generalize better to unseen data than models based on alternative regularization schemes. To our knowledge, this is the first report of a cross-validated model of spontaneous brain activity. Finally, we use the estimated graphical model to explore the large-scale characteristics of functional architecture and show for the first time that known cognitive networks appear as the integrated communities of functional connectivity graph.

研究动机与目标

• 解决从有限、噪声较大的个体fMRI数据中学习可靠、全脑功能连接模型的挑战。
• 通过利用具有共享结构先验的多受试者群体数据，克服个体特异性变异和数据稀缺性问题。
• 开发一种相比现有正则化方案能更好地泛化到新数据的方法。
• 通过在未见数据上进行交叉验证，实证验证模型的预测能力。
• 通过社区结构分析，将大规模功能连接图与已知的认知网络联系起来。

提出的方法

• 将个体大脑功能连接建模为具有共享群体结构的多元正态图模型。
• 采用ℓ1和ℓ21正则化联合估计多个图模型，以强制实现稀疏性和群体水平的一致性。
• 使用交叉验证方案评估模型在未见数据上的泛化性能。
• 利用条件互信息和高斯熵量化功能社区之间的整合与分离程度。
• 应用拉普拉斯嵌入对脑区进行排序，以可视化社区的整合结构。
• 从fMRI时间序列中估计精度矩阵，采用在个体变异性和群体结构之间取得平衡的正则化方法。

实验结果

研究问题

• RQ1 群体先验是否能提升从有限fMRI数据中学习的个体功能连接模型的泛化能力？
• RQ2 所估计的功能连接图中识别出的社区是否对应于已知的认知网络？
• RQ3 与替代正则化方案相比，该方法在未见数据上的预测性能如何？
• RQ4 该模型在多大程度上捕捉了大规模脑网络的整合与分离特性？
• RQ5 是否能够通过交叉验证验证一个完全数据驱动的、无监督的自发脑活动模型？

主要发现

• 通过交叉验证验证，所提出的方法在未见数据上的泛化性能优于其他正则化方案。
• 所估计的功能连接图揭示了已知的认知网络——如默认模式网络、额顶网络和视觉通路——作为独立且整合的社区。
• ℓ21正则化模型识别出更小、更分离的社区，而ℓ1正则化模型则显示出更广泛的整合，尤其在视觉通路等系统中更为明显。
• 条件互信息和熵度量证实，图结构反映了大脑中已知的功能整合与分离原则。
• 这是首个通过交叉验证提供全脑、数据驱动的自发脑活动概率模型证据的研究。
• 结果表明，结合群体先验联合估计多个图模型，可显著提高个体受试者模型的预测准确性。