[论文解读] Modeling Shared Responses in Neuroimaging Studies through MultiView ICA

Hugo Richard, Luigi Gresele+4 more|arXiv (Cornell University)|Jun 11, 2020

Functional Brain Connectivity Studies参考文献 69被引用 6

一句话总结

该论文提出了一种新颖的多视图独立成分分析（MultiView ICA）方法，这是一种用于神经影像的概率性群体独立成分分析模型，假设跨被试存在共享的独立源，同时允许每个被试具有特定的混合矩阵和源上的噪声。该方法通过交替拟牛顿优化实现了闭式似然估计和快速收敛，在fMRI中表现出更高的敏感性以识别共同脑响应，并降低了会间变异性，同时在MEG数据中相比现有方法实现了更精确的源定位。

ABSTRACT

Group studies involving large cohorts of subjects are important to draw general conclusions about brain functional organization. However, the aggregation of data coming from multiple subjects is challenging, since it requires accounting for large variability in anatomy, functional topography and stimulus response across individuals. Data modeling is especially hard for ecologically relevant conditions such as movie watching, where the experimental setup does not imply well-defined cognitive operations. We propose a novel MultiView Independent Component Analysis (ICA) model for group studies, where data from each subject are modeled as a linear combination of shared independent sources plus noise. Contrary to most group-ICA procedures, the likelihood of the model is available in closed form. We develop an alternate quasi-Newton method for maximizing the likelihood, which is robust and converges quickly. We demonstrate the usefulness of our approach first on fMRI data, where our model demonstrates improved sensitivity in identifying common sources among subjects. Moreover, the sources recovered by our model exhibit lower between-session variability than other methods.On magnetoencephalography (MEG) data, our method yields more accurate source localization on phantom data. Applied on 200 subjects from the Cam-CAN dataset it reveals a clear sequence of evoked activity in sensor and source space. The code is freely available at https://github.com/hugorichard/multiviewica.

研究动机与目标

• 解决在高被试间变异性下对大规模队列神经影像研究中共享功能响应建模的挑战。
• 开发一种基于统计推断的系统性、概率性群体ICA框架，克服现有两步法的局限性。
• 通过闭式似然公式化，实现共享源的高效且稳健的估计，从而支持快速优化。
• 在电影观看等生态有效刺激下，提升识别共同神经响应的敏感性和可重复性。
• 在fMRI和MEG数据集上验证该方法，证明其在源识别和定位方面优于现有方法。

提出的方法

• 多视图ICA模型假设每个被试的数据是共享独立源的线性组合，外加加性高斯噪声，且噪声被建模在源层面而非传感器层面。
• 该模型假设所有被试共享同一源矩阵，但允许使用被试特定的混合矩阵以捕捉个体的功能拓扑结构。
• 通过假设源上的噪声，推导出模型的闭式似然，简化了似然函数并支持高效优化。
• 开发了一种交替拟牛顿方法以最大化似然，确保快速且稳健的收敛。
• 该方法包含敏感性分析，表明结果对噪声参数选择具有鲁棒性。
• 在主成分分析（PCA）降维后，将该方法应用于fMRI和MEG数据，随后使用优化后的模型进行源提取。

实验结果

研究问题

• RQ1 具有闭式似然的群体ICA模型是否能提升在fMRI和MEG数据中对跨被试共享神经响应的识别能力？
• RQ2 与传感器层面建模相比，将噪声建模在源层面是否能带来更稳定和准确的源估计？
• RQ3 与现有群体ICA方法（如GroupICA、CanICA、SRM和PermICA）相比，多视图ICA在敏感性和可重复性方面表现如何？
• RQ4 在电影观看等自然刺激下，该方法是否能更有效地恢复共同脑响应，尤其是在认知操作未明确定义的情况下？
• RQ5 在MEG幻影数据中，多视图ICA是否相比基线方法实现了更精确的源定位？

主要发现

• 在包含200名被试的Cam-CAN fMRI数据集中，多视图ICA在传感器空间和源空间中均揭示了清晰、时序有序的诱发脑活动序列。
• 在时间段匹配任务中，多视图ICA在Sherlock数据集上实现了0.873的准确率，显著优于次佳方法CanICA（0.607）。
• 在缺失被试的BOLD信号重建任务中，多视图ICA在Sherlock数据集上实现了0.161的平均R²得分，优于GroupICA（0.091）和PCA+GroupICA（0.087）。
• 在幻影MEG数据中，多视图ICA的中位重建误差为0.0045，显著低于GroupICA（0.1098）和PCA+GroupICA（0.1111）。
• 多视图ICA在源图上的会间变异性低于其他方法，表明其具有更高的可重复性。
• 该方法在多个数据集上均表现出稳健性能，敏感性分析证实结果对噪声参数选择的选择不敏感。