[论文解读] Curvature-based Methods for Brain Network Analysis

Melanie Weber, Johannes Stelzer+4 more|arXiv (Cornell University)|Jul 1, 2017

Functional Brain Connectivity Studies参考文献 14被引用 11

一句话总结

本文提出一种基于曲率的网络分析方法，利用Forman-Ricci曲率对fMRI数据提取的任务相关脑网络进行表征。通过将曲率分数分配给边而非节点，该方法揭示了显著的拓扑特征：低曲率边（< -4000）定位于情绪处理网络的核心区域，而高曲率边（> -500）则对应默认模式网络，所有边的边密度与曲率之间存在强烈的负相关性（μ = -0.565）。

ABSTRACT

The human brain forms functional networks on all spatial scales. Modern fMRI scanners allow to resolve functional brain data in high resolutions, allowing to study large-scale networks that relate to cognitive processes. The analysis of such networks forms a cornerstone of experimental neuroscience. Due to the immense size and complexity of the underlying data sets, efficient evaluation and visualization remain a challenge for data analysis. In this study, we combine recent advances in experimental neuroscience and applied mathematics to perform a mathematical characterization of complex networks constructed from fMRI data. We use task-related edge densities [Lohmann et al., 2016] for constructing networks of task-related changes in synchronization. This construction captures the dynamic formation of patterns of neuronal activity and therefore represents efficiently the connectivity structure between brain regions. Using geometric methods that utilize Forman-Ricci curvature as an edge-based network characteristic [Weber et al., 2017], we perform a mathematical analysis of the resulting complex networks. We motivate the use of edge-based characteristics to evaluate the network structure with geometric methods. The geometric features could aid in understanding the connectivity and interplay of brain regions in cognitive processes.

研究动机与目标

• 开发一种新型几何网络分析方法，用于大规模fMRI衍生的脑网络。
• 通过引入基于边的曲率特征，克服传统基于节点的网络度量方法的局限性。
• 利用曲率作为新的分析视角，研究任务相关脑网络的拓扑结构。
• 评估基于曲率的网络特征在多个受试者样本中的可重复性与鲁棒性。
• 探索边密度与曲率之间的关系，以识别功能性脑网络组件。

提出的方法

• 基于fMRI数据，使用任务相关边密度（TED）方法构建任务相关脑网络，重点关注任务状态与基线状态之间同步性的差异。
• 对TED网络中的边应用Forman-Ricci曲率，采用依赖于边和节点权重的离散曲率公式。
• 采用加权方案，其中边权重基于相关性强度，节点权重基于局部连通性，取值范围为[0,1]。
• 从400名受试者组成的队列中，对100名受试者各随机抽取10个网络进行曲率分析，以确保可重复性评估。
• 将高曲率和低曲率边投影到枢纽性地图上，以可视化网络组件的空间定位。
• 计算不同曲率区间内边密度与Forman-Ricci曲率之间的相关性，以评估二者关系。

实验结果

研究问题

• RQ1 Forman-Ricci曲率如何揭示从fMRI数据中提取的任务相关脑网络中的独特拓扑特征？
• RQ2 在大规模脑网络中，边密度与Forman-Ricci曲率之间存在何种关系？
• RQ3 具有极端曲率值的边（极低或极高）是否定位于已知的功能性脑网络，如默认模式网络或情绪处理区域？
• RQ4 基于曲率的网络表征在多个受试者样本中是否具有可重复性？
• RQ5 基于曲率的度量能否检测到传统基于节点的网络度量未能完全捕捉的功能性网络组件？

主要发现

• TED网络中边的Forman-Ricci曲率值分布呈现广域分布，且在曲率值小于-500处存在一个次峰。
• 曲率值 < -4000的边在枢纽性地图中定位于情绪对比网络的核心区域，表明其在任务特异性功能连接中的作用。
• 曲率值 > -500的边对应默认模式网络（DMN），提示DMN可能在任务状态下仍保持活跃，这与通常将其关联于静息状态的认知相悖。
• 所有边的边密度与Forman-Ricci曲率之间存在强烈的负相关性（μ = -0.565，σ = 0.020），表明高连通性并不总是意味着高曲率。
• 在次峰区域（曲率 > -500）中，边密度与曲率的相关性显著减弱，此时μ = -0.164，σ = 0.097，表明曲率捕捉到了超越边密度的独立拓扑信息。
• 基于曲率的分析在10个独立受试者样本中具有可重复性，高曲率和低曲率边在枢纽性地图中的空间定位保持一致。