Detecting spatially high-resolved brain connectivity patterns: a multi-subject approach
Epidemiology and Medical Biometry/Statistics
Final Report Abstract
Zielsetzung des Projekts war die Entwicklung, Evaluierung und Anwendung einer Methodik, die es ermöglicht, räumlich hochaufgelöste Netzwerke im Gehirn auf Gruppenebene zu analysieren. Zu diesem Zweck wurde die Kombination aus large scale Granger Causality Index (lsGCI) einerseits, und Tensorzerlegung andererseits angewendet. Der lsGCI-Ansatz ermöglicht die Quantifizierung der gerichteten Voxel-zu-Voxel Konnektivität individuell pro Person. Die darauf angewendete Tensorzerlegung ermöglicht einen Vergleich zwischen den berechneten lsGCI-Netzwerken über mehrere Datensätze hinweg (z. B. Gruppen von Versuchspersonen) Für die Validierung der Methodik selbst und die damit verbundene Metaparameteranalyse wurden synthetische Daten mit vordefinierter Netzwerkstruktur (Grundwahrheit) generiert. Diese Primärdaten wurden variabel bezüglich des Signal-Rausch-Verhältnisses, Anzahl der Netzwerkknoten („Voxel“) und Anzahl der Samples („Messzeitpunkte“) simuliert. Für die Meta-Analyse wurden Ordnung des autoregressiven Modells zur Datenapproximation, sowie Faktorenanzahl der Tensorzerlegung variiert. Sensitivität und Spezifität der Resultate zeigten deutlich, dass es mithilfe der vorgeschlagenen Methodik möglich ist, die Grundwahrheit anhand der synthetischen Zeitreihen zu rekonstruieren. Wie erwartet führte eine Reduktion der Samples, sowie die Erhöhung des Rauschens zu verminderten Qualität der berechneten Netzwerke (verglichen zur Grundwahrheit), während sowohl Größe des Netzwerks als auch erklärte Varianz nach Dimensionsreduktion wenig Einfluss hatten. Die Testung im Anwendungsfall wurde anhand von resting state fMRT-Daten durchgeführt. Bemerkenswert ist hier der Befund, dass mittels der Tensorzerlegung unabhängig von der Wahl der Metparameter stets genau ein Netzwerk separiert wurde, welches gemäß den Gewichten im Personen-Mode allen Studienteilnehmern gemein ist. Die Cluster-Analyse dieses Netzwerks zeigte unter anderem ein Subnetzwerk innerhalb des Zerebellums, sowie eines in frontoparietalen Regionen. Im letzten Schritt wurde der Ansatz weiterentwickelt, um das Attribut der zeitlichen Dynamik innerhalb der Netzwerke einzubinden. Auch hier wurden zur Evaluierung synthetische Daten generiert – allerdings mit dem Unterschied, dass die zugrundeliegende Netzwerkstruktur zeitabhängig konstruiert ist. Es zeigte sich, dass die Variierung der Modellparameter hier ähnliche Auswirkungen hat, wie im stationären Fall. Für die zusätzlich benötigten Steuerungsparameter des Schätzalgorithmus (Kalman-Filter) zeigte sich, dass der modellbasierte Vorhersagefehler einen guten Indikator für eine adäquate Modellierung und der darauf aufbauenden Netzwerkanalyse bietet. Die Erkenntnisse aus den Simulationsstudien bilden die Grundlage, um das Verfahren im nächsten Schritt auf instationäre fMRT-Daten (z.B. Block-Design) anzuwenden.
Publications
- "Methodological aspects of analyzing high resolved brain connectivity for multiple subjects," Current Directions in Biomedical Engineering, vol. 3, no. 2, pp. 417-421, 2017
B. Pester, C. Schmidt, K.-J. Bär, and L. Leistritz
(See online at https://doi.org/10.1515/cdbme-2017-0088) - "Does independent component analysis influence EEG connectivity analyses?," in 2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 2018: IEEE, pp. 1007-1010
B. Pester and C. Ligges
(See online at https://doi.org/10.1109/EMBC.2018.8512425) - "Influence of imputation strategies on the identification of brain functional connectivity networks,", J Neurosci Meth, vol. 309, pp. 199-207, Nov 1 2018
B. Pester, T. Lehmann, L. Leistritz, H. Witte, and C. Ligges
(See online at https://doi.org/10.1016/j.jneumeth.2018.09.021) - "Influence of Parameter Choice on the Detection of High-Dimensional Functional Networks,", Ifmbe Proc, vol. 68, no. 3, pp. 841-845, 2019
B. Pester, K. J. Bär, and L. Leistritz
(See online at https://doi.org/10.1007/978-981-10-9023-3_152)
