Untersuchung von Hirnkonnektivität auf der Grundlage hochdimensionaler Daten: vom Einzelfall zur Gruppenanalyse

• Antragstellerin: Dr. Britta Pester
• Fachliche Zuordnung: Medizinische Physik, Biomedizinische Technik ; Epidemiologie und Medizinische Biometrie/Statistik
• Förderung: Förderung von 2016 bis 2019
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 314806675

Das Vorhaben befasst sich mit der Untersuchung von Konnektivitätsstrukturen im Gehirn auf der Grundlage räumlich hochaufgelöster und damit hochdimensionaler Daten. Um einen umfassenden Einblick in die Funktionsweise des Gehirns zu erlangen, bedarf es neben der Untersuchung von Hirnaktivität auch eines eingehenden Verständnisses des Informationsflusses (Konnektivität) im zugrunde liegenden neuronalen System. Zumeist wird diese Konnektivität indirekt auf der Basis statistischer Abhängigkeiten zwischen vom Gehirn abgeleiteten Signalen geschätzt. Die Anzahl der dabei betrachteten Interaktionen nimmt quadratisch mit der Anzahl der aufgenommenen Signale zu. Somit entstehen im Falle von räumlich hochaufgelösten Daten (wie z.B. fMRT) hoch-komplexe Netzwerke, die aus einer Vielzahl von Voxeln und gerichteten Verbindungen zwischen diesen bestehen. Die damit verbundene enorme Datenmenge lässt eine direkte (statistische) Weiterverarbeitung nicht zu. An dieser Stelle ist es hilfreich, eine konnektivitätsbasierte Segmentierung der Netzwerke durchzuführen, bei der Teilmengen von Voxeln (sogenannte Module) identifiziert werden, die sich durch ähnliche Kopplungseigenschaften innerhalb des hochdimensionalen Netzwerkes auszeichnen. Ein bislang ungelöstes Problem bei dieser Vorgehensweise ist, dass sich die Ergebnisse der Segmentierung von Datensätzen mehrerer Personen nicht miteinander vergleichen lassen. Verhindert wird die Analyse einer Gruppe bzw. mehrerer Gruppen dadurch, dass die in den personenbezogenen Datensätzen identifizierten Module einander nicht zugeordnet sind (Korrespondenzproblem) bzw. keine korrespondierenden Module existieren. Damit sind die Ergebnisse zwar für jede Person individuell interpretierbar - ein Vergleich innerhalb einer oder zwischen mehreren Kohorten ist jedoch nicht möglich. Das Ziel dieses Projektes soll deshalb sein, ein Konzept zu entwickeln, welches die funktionellen Segmentierungen der hochdimensionalen Netzwerke einzelner Personen auf die Ebene von Personengruppen hebt und damit einen ersten Schritt in Richtung der Untersuchung hoch-dimensionaler Konnektivität innerhalb großer Kohorten darstellt. Die Grundidee dabei ist, vor der personen-spezifischen Segmentierung eine Umstrukturierung der berechneten Netzwerke in einen Tensor vorzunehmen und diesen mittels parallel factor analysis in eine personen-unabhängige Summe von Faktoren zu zerlegen. Die dabei entstehenden räumlichen Gewichte können dann als Netzwerke interpretiert werden, deren Segmentierung einen Vergleich zwischen den Personen zulässt. Die Testung der Methode soll anhand umfangreicher Simulationen erfolgen. Mithilfe von Daten aus einem Ruhe-fMRT Experiment wird der neue Ansatz in der Praxis erprobt. Dabei kann auf vorhandene Ergebnisse aus konventionellen Analysemethoden (z.B. Untersuchungen zur Aktivität oder niedrigdimensionale Konnektivitätsanalyse) zurückgegriffen werden, die eine Einschätzung des Mehrwerts der neuen Erkenntnisse ermöglichen.

• DFG-Verfahren: Sachbeihilfen