MCI 特定のための重み付けされたグラフ正則化スパース脳ネットワークの構築

Weighted graph regularized sparse brain network construction for MCI identification
Renping Yu, Lishan Qiao, Mingming Chena, Seong-Whan Lee, Xuan Fei,Dinggang Shene Pattern Recognition, 90, pp.220-231, 2019

安静状態の機能的MRIから構築される脳機能ネットワークは,アルツハイマー病やその前駆症状である軽度認知症(MCI)といった脳疾患の分析や診断に広く応用されてきた.意味のある脳ネットワークを構築するとは,例えば,スパース表現はその後の分析や病気の診断を行う前の重要なステップである.しかしながら,スパース表現の独立したコーディングプロセスは,そのデータにおける本質的な局所性や類似性の特性を捉えることに失敗する.この問題を解決するために,私達は,脳機能ネットワークが脳の結合性に先立つスパース性だけでなく,そのデータにおける本質的な相関類似度や局所多面構造を考慮することで最適化されうるということに基づいて,新たな,重み付けされた正則化スパース表現フレームワークを提案する.加えて,自己表現モデルにおける非収束グラフラプラシアンは適切に解かれている.スパース特徴選択のパイプラインと分類器が組み合わされ,構築された脳機能ネットワークに基づく軽度認知症を特定することにより,私達の提案手法の効果が示される.

MCI 診断のための強度と類似度が導く集団レベルの脳機能ネットワーク構成

Strength and similarity guided group-level brain functional network construction for MCI diagnosis
Yu Zhang, Han Zhang, Xiaobo Chen, Mingxia Liu, Xiaofeng Zhuc, Seong-Whan Lee,Dinggang Shen Pattern Recognition 88, pp.421-430

スパース表現を基にした脳機能ネットワークモデリングはしばしば,ネットワーク構造における大きな被験者間変動の結果をもたらす.これは,グループ間比較における統計的検出力を下げたり,個人化された脳疾患の診断の一般化可能性を捻じ曲げだりする可能性がある.グループスパース表現(GSR)は,そのような「被験者間でのネットワーク類似度を増やすことによる制限」を軽減させるが,今度は異なるグループ被験者間を十分に分離することに失敗する(例えば,患者群と制御群).この研究では,グループ内の一貫性を保ったまま,高いグループ間の分離能力を獲得することために,個人の機能的結合情報を GSR を基にしたネットワーク構造のフレームワークに統合することを提案する.この手法では,同じグループの被験者群は異なるグループの被験者群よりも,一般的により高い類似度を持つという観測に基づいている.このために,BOLD 信号の時系列相関に基づいた低次元機能的結合(LOFC),被験者間の LOFC の類似度に基づいた高次元機能的結合(HOFC)の両方を利用した,strength and similarity GSR(SSGSR) と呼ばれる手法を提案する.実験では,軽度認知障害(MCI)被験者と健常者制御群の rsfMRI データを用いて,提案手法と他の最先端の脳ネットワークモデリング手法との比較がなされた.個別化された MCI の識別率の結果は,個々で一貫した脳機能ネットワーク構成と十分に保持されたグループ間の脳機能ネットワーク構造の特徴のバランスを獲得できることが示された.この新手法はまた,将来,コネクトームベースの個別化された脳の疾患の診断の有望で一般化されたソリューションを提供する.

MCI 診断のための強度と類似度が導く集団レベルの脳機能ネットワーク構成

Strength and similarity guided group-level brain functional network construction for MCI diagnosis
Yu Zhang, Han Zhang, Xiaobo Chen, Mingxia Liu, Xiaofeng Zhuc, Seong-Whan Lee,Dinggang Shen Pattern Recognition, 88, 421-430, 2019

スパース表現を基にした脳機能ネットワークモデリングはしばしば,ネットワーク構造における大きな被験者間変動の結果をもたらす.これは,グループ間比較における統計的検出力を下げたり,個人化された脳疾患の診断の一般化可能性を捻じ曲げだりする可能性がある.グループスパース表現(GSR)は,そのような「被験者間でのネットワーク類似度を増やすことによる制限」を軽減させるが,今度は異なるグループ被験者間を十分に分離することに失敗する(例えば,患者群と制御群).この研究では,グループ内の一貫性を保ったまま,高いグループ間の分離能力を獲得することために,個人の機能的結合情報を GSR を基にしたネットワーク構造のフレームワークに統合することを提案する.この手法では,同じグループの被験者群は異なるグループの被験者群よりも,一般的により高い類似度を持つという観測に基づいている.このために,BOLD 信号の時系列相関に基づいた低次元機能的結合(LOFC),被験者間の LOFC の類似度に基づいた高次元機能的結合(HOFC)の両方を利用した,strength and similarity GSR(SSGSR) と呼ばれる手法を提案する.実験では,軽度認知障害(MCI)被験者と健常者制御群の rsfMRI データを用いて,提案手法と他の最先端の脳ネットワークモデリング手法との比較がなされた.個別化された MCI の識別率の結果は,個々で一貫した脳機能ネットワーク構成と十分に保持されたグループ間の脳機能ネットワーク構造の特徴のバランスを獲得できることが示された.この新手法はまた,将来,コネクトームベースの個別化された脳の疾患の診断の有望で一般化されたソリューションを提供する.