Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Một Phương Pháp ICA Nhóm Mới Dựa Trên Phân Cụm Thành Phần Cá Nhân Đa Quy Mô. Ứng Dụng Cho Một Mẫu Dữ Liệu fMRI Lớn
Tóm tắt
Phân tích dựa trên kết nối chức năng của dữ liệu chụp cộng hưởng từ chức năng (fMRI) là một kỹ thuật đang nổi lên cho việc lập bản đồ não người. Một phương pháp mạnh mẽ để điều tra kết nối chức năng là phân tích thành phần độc lập (ICA) của dữ liệu kết hợp. Tuy nhiên, lĩnh vực nghiên cứu này đang tiến triển theo hướng xử lý các cơ sở dữ liệu ngày càng lớn hơn, chú ý đến sự biến đổi giữa các cá nhân. Phân tích dữ liệu kết hợp chỉ xử lý những đặc điểm này bằng cách sử dụng một số quy trình bổ sung như phương pháp bootstrap hoặc đưa vào một mô hình về sự biến đổi giữa các chủ thể trong bước tiền xử lý của ICA. Để giảm thiểu những hạn chế này, chúng tôi đề xuất một phương pháp dựa trên phân tích nhóm các thành phần ICA cá nhân, sử dụng phân cụm đa quy mô (MICCA). MICCA bắt đầu với hai bước được lặp lại nhiều lần: 1) thực hiện ICA cho dữ liệu của từng cá nhân, tiếp theo là 2) phân cụm các thành phần độc lập của tất cả chủ thể theo tiêu chí tương đồng không gian. Bước thứ ba cuối cùng bao gồm việc chọn lựa các cụm có thể tái tạo qua các lần lặp lại của hai bước trước đó. Cốt lõi của sự đổi mới nằm trong thuật toán phân cụm đa quy mô và không giám sát được xây dựng như một chuỗi ba quy trình: tạo cụm dạ dạng vững chắc, tổng hợp các cụm dạ dạng, và củng cố cụm. Chúng tôi đã áp dụng MICCA để phân tích bộ dữ liệu trạng thái nghỉ ngơi fMRI gồm 310 mẫu. MICCA xác định 28 mạng lưới não trạng thái nghỉ ngơi. Tổng thể, nền tảng giải phẫu thần kinh của các cụm bao gồm 98% chất xám của đại não. Kết quả của MICCA cho thấy tính khả tái tạo trong sự phân chia ngẫu nhiên của mẫu dữ liệu và mạnh mẽ hơn so với phương pháp kết hợp cổ điển.
Từ khóa
#chụp cộng hưởng từ chức năng #phân tích thành phần độc lập #phân cụm đa quy mô #kết nối chức năng #mạng lưới nãoTài liệu tham khảo
Abou-Elseoud, A., Starck, T., Remes, J., Nikkinen, J., Tervonen, O., & Kiviniemi, V. (2010). The effect of model order selection in group PICA. Human Brain Mapping, 31, 1207–1216.
Ashburner, J., & Friston, K. J. (2005). Unified segmentation. NeuroImage, 26, 839–851.
Beckmann, C. F., & Smith, S. M. (2004). Probabilistic independent component analysis for functional magnetic resonance imaging. Medical Imaging, IEEE Transactions on, 23, 137–152.
Beckmann, C. F., & Smith, S. M. (2005). Tensorial extensions of independent component analysis for multisubject FMRI analysis. Neuroimage, 25, 294–311.
Beckmann, C. F., DeLuca, M., Devlin, J. T., & Smith, S. M. (2005). Investigations into resting-state connectivity using independent component analysis. Philosophical Transactions of the Royal Society B: Biological Sciences, 360, 1001.
Beckmann, C., Mackay, C., Filippini, N., & Smith, S. (2009). Group comparison of resting-state FMRI data using multi-subject ICA and dual regression. NeuroImage, 47, S148.
Biswal, B. B., & Ulmer, J. L. (1999). Blind source separation of multiple signal sources of fMRI data sets using independent component analysis. Journal of Computer Assisted Tomography, 23, 265–271.
Biswal, B., Yetkin, F. Z., Haughton, V. M., & Hyde, J. S. (1995). Functional connectivity in the motor cortex of resting human brain using echo-planar MRI. Magnetic Resonance in Medicine, 34, 537–541.
Biswal, B. B., Mennes, M., Zuo, X.-N., Gohel, S., Kelly, C., et al. (2010). Toward discovery science of human brain function. Proceedings of the National Academy of Sciences, 107, 4734–4739.
Buckner, R. L., & Vincent, J. L. (2007). Unrest at rest: default activity and spontaneous network correlations. Neuroimage, 37, 1091–1096.
Calhoun, V. D., Adali, T., McGinty, V. B., Pekar, J. J., Watson, T. D., & Pearlson, G. D. (2001a). fMRI activation in a visual-perception task: network of areas detected using the general linear model and independent components analysis. NeuroImage, 14, 1080–1088.
Calhoun, V. D., Adali, T., Pearlson, G. D., & Pekar, J. J. (2001b). A method for making group inferences from functional MRI data using independent component analysis. Human Brain Mapping, 14, 140–151.
Calhoun, V. D., Kiehl, K. A., & Pearlson, G. D. (2008). Modulation of temporally coherent brain networks estimated using ICA at rest and during cognitive tasks. Human Brain Mapping, 29, 828–838.
Chang, C., & Glover, G. H. (2010). Time–frequency dynamics of resting-state brain connectivity measured with fMRI. NeuroImage, 50, 81–98.
Chen, S., Ross, T. J., Zhan, W., Myers, C. S., Chuang, K. S., Heishman, S. J., Stein, E. A., & Yang, Y. (2008). Group independent component analysis reveals consistent resting-state networks across multiple sessions. Brain Research, 1239, 141–151.
Cole, D. M., Smith, S. M., & Beckmann, C. F. (2010). Advances and pitfalls in the analysis and interpretation of resting-state FMRI data. Frontiers in Systems Neuroscience, 4, 8.
Damoiseaux, J. S., Beckmann, C. F., Arigita, E. J. S., Barkhof, F., Scheltens, P., Stam, C. J., Smith, S. M., & Rombouts, S. A. R. B. (2008). Reduced resting-state brain activity in the “default network” in normal aging. Cerebral Cortex, 18, 1856–1864.
Damoiseaux, J. S., Rombouts, S., Barkhof, F., Scheltens, P., Stam, C. J., Smith, S. M., & Beckmann, C. F. (2006). Consistent resting-state networks across healthy subjects. Proceedings of the National Academy of Sciences, 103, 13848.
Daubechies, I., Roussos, E., Takerkart, S., Benharrosh, M., Golden, C., D’Ardenne, K., Richter, W., Cohen, J. D., & Haxby, J. (2009). Independent component analysis for brain fMRI does not select for independence. Proceedings of the National Academy of Sciences, 106, 10415–10422.
De Luca, M., Beckmann, C. F., De Stefano, N., Matthews, P. M., & Smith, S. M. (2006). fMRI resting state networks define distinct modes of long-distance interactions in the human brain. Neuroimage, 29, 1359–1367.
De Martino, F., Gentile, F., Esposito, F., Balsi, M., Di Salle, F., Goebel, R., & Formisano, E. (2007). Classification of fMRI independent components using IC-fingerprints and support vector machine classifiers. NeuroImage, 34, 177–194.
Esposito, F., Aragri, A., Pesaresi, I., Cirillo, S., Tedeschi, G., Marciano, E., Goebel, R., & Di Salle, F. (2008). Independent component model of the default-mode brain function: combining individual-level and population-level analyses in resting-state fMRI. Magnetic Resonance Imaging, 26, 905–913.
Esposito, F., Scarabino, T., Hyvarinen, A., Himberg, J., Formisano, E., Comani, S., Tedeschi, G., Goebel, R., Seifritz, E., & Di Salle, F. (2005). Independent component analysis of fMRI group studies by self-organizing clustering. Neuroimage, 25, 193–205.
Friston, K. J., Holmes, A. P., Price, C. J., Büchel, C., & Worsley, K. J. (1999). Multisubject fMRI studies and conjunction analyses. Neuroimage, 10, 385–396.
Greicius, M. D., Srivastava, G., Reiss, A. L., & Menon, V. (2004). Default-mode network activity distinguishes Alzheimer’s disease from healthy aging: evidence from functional MRI. Proceedings of the National Academy of Sciences, 101, 4637–4642.
Himberg, J., Hyvärinen, A., & Esposito, F. (2004). Validating the independent components of neuroimaging time series via clustering and visualization. Neuroimage, 22, 1214–1222.
Hyvarinen, A. (1999). Fast and robust fixed-point algorithms for independent component analysis. Neural Networks, IEEE Transactions on, 10, 626–634.
Hyvärinen, A., Karhunen, J., & Oja, E. (2001). Independent component analysis. New York: Wiley.
Jutten, C., & Herault, J. (1991). Blind separation of sources, Part 1: an adaptive algorithm based on neuromimetic architecture. Signal Processing, 24, 1–10.
Kiviniemi, V., Starck, T., Remes, J., Long, X., Nikkinen, J., Haapea, M., Veijola, J., Moilanen, I., Isohanni, M., Zang, Y.-F., & Tervonen, O. (2009). Functional segmentation of the brain cortex using high model order group PICA. Human Brain Mapping, 30, 3865–3886.
Lee, J.-H., Lee, T.-W., Jolesz, F. A., & Yoo, S.-S. (2008). Independent vector analysis (IVA): multivariate approach for fMRI group study. NeuroImage, 40, 86–109.
Li, Y.-O., Adalı, T., & Calhoun, V. D. (2007). Estimating the number of independent components for functional magnetic resonance imaging data. Human Brain Mapping, 28, 1251–1266.
Makeig, S., Jung, T. P., Bell, A. J., Ghahremani, D., & Sejnowski, T. J. (1997). Blind separation of auditory event-related brain responses into independent components. Proceedings of the National Academy of Sciences of the United States of America, 94, 10979.
Mazoyer, B., Zago, L., Mellet, E., Bricogne, S., Etard, O., Houde, O., Crivello, F., Joliot, M., Petit, L., & Tzourio-Mazoyer, N. (2001). Cortical networks for working memory and executive functions sustain the conscious resting state in man. Brain Research Bulletin, 54, 287–298.
McKeown, M. (2003). Independent component analysis of functional MRI: what is signal and what is noise? Current Opinion in Neurobiology, 13, 620–629.
McKeown, M. J., Makeig, S., Brown, G. G., Jung, T. P., Kindermann, S. S., Bell, A. J., & Sejnowski, T. J. (1998). Analysis of fMRI data by blind separation into independent spatial components. Human Brain Mapping, 6, 160–188.
Minka, T., (2000). Automatic choice of dimensionality for PCA (Technical report No. 514). MIT.
Ojemann, J. G., Akbudak, E., Snyder, A. Z., McKinstry, R. C., Raichle, M. E., & Conturo, T. E. (1997). Anatomic localization and quantitative analysis of gradient refocused echo-planar fMRI susceptibility artifacts. NeuroImage, 6, 156–167.
Perlbarg, V., Marrelec, G., Doyon, J., Pélégrini-Issac, M., Lehéricy, S., Benali, H. (2008). NEDICA: Detection of group functional networks in FMRI using spatial independent component analysis. Biomedical Imaging: From Nano to Macro, 2008. ISBI 2008. 5th IEEE International Symposium on 1247–1250.
Raichle, M. E., MacLeod, A. M., Snyder, A. Z., Powers, W. J., Gusnard, D. A., & Shulman, G. L. (2001). A default mode of brain function. Proceedings of the National Academy of Sciences, 98, 676.
Schöpf, V., Kasess, C. H., Lanzenberger, R., Fischmeister, F., Windischberger, C., & Moser, E. (2010). Fully exploratory network ICA (FENICA) on resting-state fMRI data. Journal of Neuroscience Methods, 192, 207–213.
Smith, S. M., Jenkinson, M., Woolrich, M. W., Beckmann, C. F., Behrens, T. E., Johansen-Berg, H., et al. (2004). Advances in functional and structural MR image analysis and implementation as FSL. Neuroimage, 23, 208–219.
Tzourio-Mazoyer, N., Landeau, B., Papathanassiou, D., Crivello, F., Etard, O., Delcroix, N., Mazoyer, B., & Joliot, M. (2002). Automated anatomical labeling of activations in SPM using a macroscopic anatomical parcellation of the MNI MRI single-subject brain. Neuroimage, 15, 273–289.
Varoquaux, G., Sadaghiani, S., Pinel, P., Kleinschmidt, A., Poline, J. B., & Thirion, B. (2010). A group model for stable multi-subject ICA on fMRI datasets. NeuroImage, 51, 288–299.
Vigário, R., Sarela, J., Jousmiki, V., Hamalainen, M., & Oja, E. (2002). Independent component approach to the analysis of EEG and MEG recordings. Biomedical Engineering, IEEE Transactions on, 47, 589–593.