[论文解读] Quantifying the strength of structural connectivity underlying functional brain networks

Phebe Brenne Kemmer, F. DuBois Bowman+2 more|arXiv (Cornell University)|Mar 12, 2017

Functional Brain Connectivity Studies参考文献 33被引用 4

一句话总结

本文提出了一种标准化的结构连通性（sSC）度量方法，用于量化基于功能磁共振成像（fMRI）和独立成分分析（ICA）提取的功能脑网络所依赖的白质连接强度。通过整合扩散张量成像（DTI）数据，sSC对网络大小和基线连通性进行了校正，结果表明更强的结构连通性可预测功能网络在不同样本间更高的可重复性，且在所研究的网络中，健康对照组与重度抑郁障碍（MDD）患者之间的sSC无显著差异。

ABSTRACT

In recent years, there has been strong interest in neuroscience studies to investigate brain organization through networks of brain regions that demonstrate strong functional connectivity (FC). These networks are extracted from observed fMRI using data-driven analytic methods such as independent component analysis (ICA). A notable limitation of these FC methods is that they do not provide any information on the underlying structural connectivity (SC), which is believed to serve as the basis for interregional interactions in brain activity. We propose a new statistical measure of the strength of SC (sSC) underlying FC networks obtained from data-driven methods. The sSC measure is developed using information from diffusion tensor imaging (DTI) data, and can be applied to compare the strength of SC across different FC networks. Furthermore, we propose a reliability index for data-driven FC networks to measure the reproducibility of the networks through re-sampling the observed data. To perform statistical inference such as hypothesis testing on the sSC, we develop a formal variance estimator of sSC based a spatial semivariogram model with a novel distance metric. We demonstrate the performance of the sSC measure and its estimation and inference methods with simulation studies. For real data analysis, we apply our methods to a multimodal imaging study with resting-state fMRI and DTI data from 20 healthy controls and 20 subjects with major depressive disorder. Results show that well-known resting state networks all demonstrate higher SC within the network as compared to the average structural connections across the brain. We also found that sSC is positively associated with the reliability index, indicating that the FC networks that have stronger underlying SC are more reproducible across samples.

研究动机与目标

• 开发一种标准化的统计度量（sSC），用于量化通过数据驱动方法（如ICA）识别的功能连通性（FC）网络所依赖的结构连通性（SC）强度。
• 通过整合来自DTI的潜在解剖学连通性，解决FC方法常忽略结构基础的局限性。
• 评估SC强度是否可预测基于fMRI数据估计的功能网络的可靠性，使用一种新型基于重采样的可靠性指数。
• 利用基于空间半变异云模型的新型距离度量，为sSC提供正式的方差估计器，以支持统计推断。
• 评估健康对照组与重度抑郁障碍（MDD）患者之间SC与FC的关系，检验sSC在两组间的差异。

提出的方法

• sSC度量计算为功能网络成分（来自ICA）与结构连通性（来自DTI数据的概率追踪）之间的标准化偏相关，已对网络大小和基线SC进行校正。
• 通过重采样fMRI数据并测量ICA成分在各重采样中恢复的一致性，计算可靠性指数，以量化功能网络的可重复性。
• 采用基于新型距离度量的空间半变异云模型估计sSC的方差，从而支持假设检验与置信区间构建。
• 使用置换检验与自助重采样方法，评估不同网络之间以及受试者组（对照组 vs. MDD）之间sSC差异的显著性。
• 在将方法应用于20名对照组与20名MDD患者的多模态fMRI与DTI数据前，通过模拟研究验证其有效性。
• 使用ICA提取功能网络，SC计算为每个网络内所有体素对之间平均纤维密度相对于全局平均SC的值。

实验结果

研究问题

• RQ1 不同静息态功能网络的结构连通性（SC）强度是否存在差异？
• RQ2 SC强度是否与通过数据驱动方法（如ICA）识别的功能网络的可靠性相关？
• RQ3 健康对照组与重度抑郁障碍（MDD）患者之间，功能网络所依赖的SC强度是否存在显著差异？
• RQ4 sSC能否作为可靠且具备统计推断能力的度量，用于量化功能脑网络的结构基础？
• RQ5 在fMRI研究中整合来自DTI的SC信息，是否能提升功能网络识别的可解释性与稳健性？

主要发现

• 所有主要的静息态功能网络（ICs）的组内结构连通性（sSC）均显著高于全局平均水平，表明功能网络具有坚实的结构基础。
• IC 8的sSC均值最高（0.148），而IC 4最低（0.054），且差异在置换检验中具有统计学显著性（p < 0.0001）。
• 在9个功能网络中，健康对照组与MDD患者之间的sSC无显著差异，所有组间差异的95%置信区间均包含零。
• sSC与可靠性指数（Rℓ）之间存在正相关关系，表明具有更强潜在SC的功能网络在数据重采样中更具可重复性。
• 基于空间半变异云模型的sSC方差估计器支持有效的统计推断，为sSC值的假设检验提供了依据。
• 模拟研究证实了sSC估计与推断程序在各种网络与连通性配置下的稳健性与准确性。