Recent research in neuroscience fields has revealed that the complicated experiments and the resting state responses are largely focused on by many researchers. In such tasks, however, we usually can not establish accurate hypothesis or even there is no experiment paradigm in the resting state measurement. And, it has been a core challenge to develop a universal method for squeezing out the meaningful information in the brain without any constraints of prior information or hypotheses on the functional magnetic resonance imaging (fMRI) data we measured. In contrast to the general linear model (GLM) that requires the hypothesis of expected response to certain tasks which is widely known and used, data-driven analysis methods have attracted attention thanks to their nature capable of blind separation of sources. The representative methods of these are principal component analysis (PCA) and independent component analysis (ICA). Although these classical data-driven analysis methods, PCA and ICA, have long been attractive methods in terms of providing analysis tools with no prior information about tasks of the fMRI data, which both have constraints that sources are assumed to be orthogonal and independent, respectively. These constrains often lead the restriction on explaining the underlying activities of brain in fMRI data.
Recently, there has been increased interest in the use of neuroimaging techniques to investigate what happens in a brain at rest. Functional imaging studies have revealed that the default-mode network activity is disrupted in diseases such as Alzheimer`s (AD). However, there is no consensus, as yet, on the choice of analysis method for the application of resting-state analysis.
A novel group analysis tool for data-driven resting state fMRI analysis using group sparse dictionary learning and mixed model is presented along with the promising indications of Alzheimer`s disease progression. Instead of using independency assumption as in popular ICA approaches, the proposed approach is based on the sparse graph assumption such that a temporal dynamics at each voxel position is a sparse combination of global brain dynamics.
In estimating the unknown global dynamics and local network structures, we perform sparse dictionary learning for the concatenated temporal data across the subjects by constraining that the network structures within a group are similar. Under the homoscedasticity variance assumption across subjects and groups, we show that the mixed model group inference can be easily performed using second level GLM with summary statistics.
Using extensive resting fMRI data set obtained from normal, Mild Cognitive Impairment (MCI), Clinical Dementia Rating scale (CDR) 0.5, CDR 1.0, and CDR 2.0 of Alzheimer`s disease patients groups, we demonstrated that the changes of default mode network extracted by the proposed method is more closely correlated with the progression of Alzheimer`s disease.
최근 신경과학 분야에서 주목받고있는 뇌의 기능적 연결성 연구와 알츠하이머 질병 (Alzheimer`s Disease) 상태와 밀접한 연관성을 보여주는 휴식상태 (Resting-state) 뇌기능자기공명영상 (fMRI) 데이터에서의 뇌활성영역인 기본상태네트워크 (Default Mode Network) 분석에 있어서 기존에 널리 쓰이고 있는 독립성분분석 (Idependent Component Analysis)은 신호간의 독립성 (Independence)에 기반하고 있어 뇌 내부 신호간 연관성을 가정할 수 밖에 없는 뇌의 기능적 연결성 연구에 적용함에 있어 논리적인 모순을 가질 수 밖에 없었다. 더욱이, 최근 연구에 의하면 독립성분분석법이 동시발생적인 다양한 뇌활성 패턴들의 독립성을 보장하지 않으며, 그 알고리즘의 성공률이 신호의 독립성보다 희소성 (Sparsity)에 더욱 의존하고 있음이 밝혀졌다. 이는 희소코딩 (Sparse Coding)을 통한 V1 세포들의 시각수용영역 표현, 중간관자엽 (Medical temporal lobe) 전기생리학적 실험결과 등의 일련의 생물학적 발견과도 일치한다. 또한, 그룹 데이터 분석에 있어 기본상태네트워크와 같은 관심있는 해당 시간축 신호 변화 모델이 개인별로 다르기 때문에 개인 종속적인 시간축 신호 변화 모델을 구함과 동시에 그 개인별 특정 모델을 이용한 그룹 추론을 하는 것이 매우 복잡하였다.
본 논문은 이런 기존의 데이터기반 분석방법들의 단점을 극복하고 그룹 차원에도 유연하게 적용가능한 신호의 희소성에 기반한 통합된 혼합 모델 (Mixed Model)을 이용한 그룹 희소사전학습법 (Group Sparse Dictionary Learning)을 제시하였으며, 제안 방법의 검증을 위하여 다수의 실제 뇌기능자기공명영상 휴식상태 데이터를 정상 집단부터 경도인지 장애 (Mild Cognitive Impairment), 그리고 임상치매 척도 (Clinical Dementia Rating) 0.5, 1.0, 2.0 단계까지 확보하여 분석한 그룹별 기본상태네트워크 활성화 정도가 실제 질병의 증상이 심해질 수 록 기본상태네트워크의 활성화 정도가 약해지는 기존의 의학계의 연구 결과와 잘 일치함을 보였다. 이는 본 제안 방법이 향후 알츠하이머 질병 증상의 바이오 마커로서의 역할을 기대해 볼 수 있는 대목이고, 기존 데이터기반 대비 개념적 모순없이 생물학 및 의학계의 발견과도 잘 일치하는 새로운 차원의 분석기법의 초석이 될 것임을 기대할 수 있다.
