A novel statistical analysis method for functional MRI to overcome the drawbacks of conventional data-driven methods such as the independent component analysis (ICA) is developed. Although ICA has been broadly applied to functional MRI due to its capacity to separate spatially or temporally independent components, the assumption of independence has been challenged by recent studies showing that ICA does not guarantee independence of simultaneously occurring distinct activity patterns in the brain. Instead, sparsity of the signal has been shown to be more promising. This coincides with biological findings such as sparse coding in V1 simple cells, electrophysiological experiment results in the human medial temporal lobe, and etc. The main contribution of this paper is, therefore, a new data driven fMRI analysis that is derived solely based upon the sparsity of the signals. A compressed sensing based data-driven sparse generalized linear model is proposed that enables estimation of spatially adaptive design matrix as well as sparse signal components that represent synchronous, functionally organized and integrated neural hemodynamics. Furthermore, an MDL based model order selection rule is shown to be essential in selecting unknown sparsity level for sparse dictionary learning. Multi-level analysis of fMRI data using data-driven sparse GLM is also investigated. Using simulation and real fMRI experiments, we show that the proposed method can adapt individual variation better compared to the conventional ICA methods.
본 논문은 뇌기능자기공명영상의 분석을 위한 독립성분분석(Independent Component Analysis) 등을 포함한 기존의 데이터기반 분석방법들의 단점을 극복하고 보다 정확한 뇌활성영역의 추출을 위하여 신호의 희소성(Sparsity)에 기반한 새로운 분석방법 및 Toolbox를 개발하였다. 독립성분분석은 fMRI 데이터로부터 공간적 및 시간적으로 독립적인 성분들을 분리해낼 수 있는 성능을 가지고 있다. 그러나 최근 ICA가 동시발생적인 다양한 뇌활성 패턴들의 독립성을 보장하지 않으며, ICA 알고리즘의 성공률이 신호의 독립성보다 희소성에 더욱 의존하고 있음이 밝혀졌다. 이는 sparse coding을 통한 V1 세포들의 시각수용영역 표현, 중간관자엽(Medical temporal lobe) 전기생리학적 실험결과 등의 생물학적 발견과도 일치한다. 따라서, 본 논문에서는 독립성이 아닌 신호의 희소성에 기반한 새로운 데이터기반 fMRI 분석방법을 개발하였다. 압축센싱이론(Compressed sensing theory)에 기초한 데이터기반 Sparse GLM 방법은 동시발생적인 기능적으로 조직된 뇌활성 혈류동태를 표현할 수 있는 희소신호성분뿐만 아니라 공간적합적인 계획행렬(Design matrix)을 평가할 수 있다. 또한 최소표현길이 (Minimum Description Length) 기준을 이용해 희소사전학습 (Sparse dictionary learning)을 위한 최적의 희소도를 결정함으로써 보다 민감하게 정확한 뇌활성영역을 추출할 수 있다. 측정한 뇌신호의 정확한 분석방법의 개발은 현재 뇌 인지기능 연구 등에 필수적으로 요구되는 분야이다. 제안방법은 데이터에 기반하여 학습한 전역사전으로 개별 맞춤형 모델을 설계할 수 있으며, 실험 패러다임에 대한 사전정보를 필요로 하지 않으면서 기존의 방법보다 정확한 뇌활성 패턴 추출을 가능하게 함으로써 Event-related 또는 휴식상태에서의 기능적 연결성 연구 (Resting state functional connectivity)에 적합하다. 특히, 기존의 Statistical Parametric Mapping (SPM) 체계에 쉽게 통합됨으로써 가설검증, Random Field Theory 등을 통한 통계적 분석이 가능하다는 장점이 있다. 시뮬레이션 및 실제 fMRI 실험데이터 결과를 통해, 제안방법이 ICA와 같은 기존의 데이터기반 분석방법보다 효과적으로 뇌활성신호 분석이 가능함을 보일 수 있다.
