[论文解读] Information flow between resting state networks

Ibai Díez, Asier Erramuzpe+7 more|arXiv (Cornell University)|May 13, 2015

Neural dynamics and brain function参考文献 44被引用 7

一句话总结

本研究提出一种新方法，利用静息态fMRI数据量化静息态网络（RSNs）之间的信息流（IF），采用血流动力学反应函数去卷积、主成分分析（PCA）和转移熵。关键发现为：当主成分数k=5时，IF达到峰值，表明五个主成分可捕捉主要的网络间动态，且阿尔茨海默病（AD）患者在k=2时的IF显著高于对照组。

ABSTRACT

The resting brain dynamics self-organizes into a finite number of correlated patterns known as resting state networks (RSNs). It is well known that techniques like independent component analysis can separate the brain activity at rest to provide such RSNs, but the specific pattern of interaction between RSNs is not yet fully understood. To this aim, we propose here a novel method to compute the information flow (IF) between different RSNs from resting state magnetic resonance imaging. After haemodynamic response function blind deconvolution of all voxel signals, and under the hypothesis that RSNs define regions of interest, our method first uses principal component analysis to reduce dimensionality in each RSN to next compute IF (estimated here in terms of Transfer Entropy) between the different RSNs by systematically increasing k (the number of principal components used in the calculation). When k = 1, this method is equivalent to computing IF using the average of all voxel activities in each RSN. For k greater than one our method calculates the k-multivariate IF between the different RSNs. We find that the average IF among RSNs is dimension-dependent, increasing from k =1 (i.e., the average voxels activity) up to a maximum occurring at k =5 to finally decay to zero for k greater than 10. This suggests that a small number of components (close to 5) is sufficient to describe the IF pattern between RSNs. Our method - addressing differences in IF between RSNs for any generic data - can be used for group comparison in health or disease. To illustrate this, we have calculated the interRSNs IF in a dataset of Alzheimer's Disease (AD) to find that the most significant differences between AD and controls occurred for k =2, in addition to AD showing increased IF w.r.t. controls.

研究动机与目标

• 理解大脑静息态网络（RSNs）之间超越静态相关性的动态相互作用。
• 开发一种数据驱动的方法，量化fMRI中RSNs之间的定向信息流（IF）。
• 研究IF如何随主成分数（k）变化，反映不同层次的网络复杂性。
• 将该方法应用于检测神经退行性疾病中RSNs间信息流的异常改变，特别是阿尔茨海默病（AD）。
• 为健康与疾病状态下的群体比较提供可扩展的多变量框架。

提出的方法

• 使用血流动力学反应函数（HRF）对体素水平fMRI信号进行去卷积，以恢复神经活动，无需预先知晓HRF形状。
• 使用独立成分分析（ICA）将RSNs定义为感兴趣区域，随后对每个RSN应用主成分分析（PCA）以降低维度。
• 计算多变量转移熵（TE）作为RSNs之间信息流的度量，系统性地将主成分数（k）从1增加到10。
• 使用k=1表示每个RSN的平均活动，k>1则用于建模多个成分之间的多变量交互。
• 将信息流作为k的函数进行估计，以识别捕捉主要网络间动态的最优成分数。
• 在阿尔茨海默病（AD）患者与健康对照组的数据集上验证该方法，以检测IF的组间差异。

实验结果

研究问题

• RQ1 用于表征每个网络的主成分数（k）如何影响静息态网络之间的信息流？
• RQ2 哪个最优的主成分数（k）能捕捉RSNs之间信息流的主要模式？
• RQ3 阿尔茨海默病患者与健康对照组之间是否存在可检测的RSNs间信息流差异？
• RQ4 多变量信息流（k>1）是否揭示了单均值活动（k=1）所无法捕捉的交互模式？
• RQ5 所提出的方法能否检测到疾病特异性网络动态改变，特别是在AD中？

主要发现

• RSNs之间的信息流强烈依赖于主成分数（k），从k=1增至k=5时达到最大值，随后在k>10时衰减至零。
• 信息流峰值出现在k=5，表明五个主成分足以描述主要的网络间通信模式。
• 在k=2时，阿尔茨海默病患者的信息流显著高于健康对照组，提示AD中网络动态发生改变。
• 该方法表明，多变量信息流（k>1）捕捉到比单均值活动（k=1）更精细的网络交互，后者会低估动态连接性。
• 当k>10时IF的衰减表明，高阶成分对有意义的信息传递贡献甚微，支持在神经网络分析中进行降维。
• 结果表明，所提出的方法能够敏感检测神经退行性疾病（如阿尔茨海默病）中脑网络动态的组间差异。