[论文解读] On inferring structural connectivity from brain functional-MRI data

Somwrita Sarkar, Sanjay Chawla+1 more|arXiv (Cornell University)|Feb 24, 2015

Functional Brain Connectivity Studies参考文献 21被引用 3

一句话总结

本文提出一种基于ADMM的凸优化框架，利用生理约束和数据的自表达特性，从密集的fMRI功能连接数据中推断稀疏的结构脑连接。该方法成功恢复了已知的结构连接，并以与DSI/DTI数据高度一致的定量结果，预测了先前被遗漏的长程胼胝体间连接。

ABSTRACT

The anatomical structure of the brain can be observed via non-invasive techniques such as diffusion imaging. However, these are imperfect because they miss connections that are actually known to exist, especially long range inter-hemispheric ones. In this paper we formulate the inverse problem of inferring the structural connectivity of brain networks from experimentally observed functional connectivity via functional Magnetic Resonance Imaging (fMRI), by formulating it as a convex optimization problem. We show that structural connectivity can be modeled as an optimal sparse representation derived from the much denser functional connectivity in the human brain. Using only the functional connectivity data as input, we present (a) an optimization problem that models constraints based on known physiological observations, and (b) an ADMM algorithm for solving it. The algorithm not only recovers the known structural connectivity of the brain, but is also able to robustly predict the long range inter-hemispheric connections missed by DSI or DTI, including a very good match with experimentally observed quantitative distributions of the weights/strength of anatomical connections. We demonstrate results on both synthetic model data and a fine-scale 998 node cortical dataset, and discuss applications to other complex network domains where retrieving effective structure from functional signatures are important.

研究动机与目标

• 解决从功能磁共振成像（fMRI）数据推断结构脑连接的逆问题，因为fMRI数据比实际解剖网络更密集、更不稀疏。
• 将结构连接建模为源自功能连接的稀疏表示，反映已知的生理约束。
• 通过同时引入稀疏性和连接权重分布匹配，改进现有方法。
• 在具有同步fMRI和DSI/DTI数据的精细尺度998个皮层分区数据集上验证该方法。
• 展示该方法预测扩散成像未捕捉到的、但生物学上真实存在的长程胼胝体间连接的能力。

提出的方法

• 将逆问题表述为凸优化任务，强制实现稀疏性并匹配DSI/DTI数据中观察到的连接权重分布。
• 利用数据的自表达特性，即每个节点的连接可表示为其他节点的稀疏线性组合，以建模结构连接。
• 在优化框架中整合非负权重和已知网络拓扑等生理约束。
• 采用基于ADMM的算法，高效求解高分辨率脑网络数据上的大规模优化问题。
• 将功能连接矩阵（来自fMRI）作为输入，同时强制实现稀疏性和与实验性结构数据的分布保真度。
• 使用低维子空间的并集来表示功能连接的谱结构，从而实现最优稀疏恢复。

实验结果

研究问题

• RQ1 能否仅通过优化框架，从功能连接数据中准确推断出结构连接？
• RQ2 该方法在多大程度上能预测DSI或DTI遗漏的长程胼胝体间连接？
• RQ3 推断出的结构连接是否与实验性DSI/DTI数据中观察到的连接权重定量分布一致？
• RQ4 与已知解剖网络相比，该方法在保持稀疏性和拓扑结构方面表现如何？
• RQ5 能否利用功能连接数据的自表达特性，恢复稀疏且具有生物学合理性的结构网络？

主要发现

• 所提出的方法在合成数据和真实世界数据集上均表现出高精度，成功从fMRI数据中恢复了已知的结构连接模式。
• 该算法稳健地预测了在DSI或DTI数据中缺失但生物学上真实存在的长程胼胝体间连接。
• 预测的连接权重分布与实验性DSI/DTI数据具有强烈的定量一致性，尽管fMRI数据的分布不同。
• 推断出的结构网络稀疏度水平与DSI/DTI解剖网络中观察到的实际稀疏度高度一致。
• 基于ADMM的算法在998个皮层分区的精细尺度数据上高效求解大规模优化问题，实现了高分辨率推断。
• 该方法通过联合建模稀疏性和权重分布，优于以往方法，弥补了先前研究的关键空白。