時間分解された安静状態の脳ネットワーク

Time-resolved resting-state brain networks
Zalesky, Andrew and Fornito, Alex and Cocchi, Luca and Gollo, Leonardo L and Breakspear, Michael Proceedings of the National Academy of Sciences,No.201400181, 2014

ニューロン動態は多空間的に分布した領域の活性化パターンの正確で状況依存を含む複雑な時空間構造を示す.機能的磁気共鳴画像法(fMRI) は,これらの相互作用の非自明な空間的および位相的構造を示す上で中心的な役割を果たしてきたが,時間的な変化を研究するには限界があった.私たちは,領域間のペアワイズ相互作用の非定常変動が,大規模な位相特性にどのように関連しているのかを理解する目的で,ヒューマンコネクトームプロジェクトから得られた高分解能の安静状態のfMRI データから時間分解された機能的な接続性を脳全体に1 秒未満の分解能でマッピングを行った.私たちは,経時的な強度の著しい変動を示す一貫した機能的接続の証拠を示している.最もダイナミックな接続は,トポロジー的に分離可能なサブシステムからの構成部分をつなげ,デフォルトモードと前頭-頭頂システムのハブに分散させるようなモジュール間の接続である.私たちは,空間的に分散した領域が情報を転送する効率を短期間に自発的に増加させ,全体に効率的なネットワークを作成することを発見した.私たちの発見は,脳状態が時間経過とともに複雑なネットワーク特性の変化をもたらし,効率的な情報処理と代謝支出間のバランスを達成する可能性があることを示唆している.

機能的接続ダイナミクスの統計的テストに向けて

Towards a statistical test for functional connectivity dynamics
Zalesky, Andrew and Breakspear, Michael
Neuroimage, Vol. 114, 466-470, 2015.

“スライディングウィンドウ相関は,時間分解された安静状態の機能的接続性をマッピングするための新しい方法である.Leonardi とVan De Ville は,偽の接続性の変動(誤検出)を回避するため,BOLD 信号を構成する最長波長を超えるウィンドウ長を選択することを推奨した.通常、100 秒以内と仮定された.この論文では,この経験則をさらに統計的にサポートしている.しかし,偽陽性のわずかな制御を維持しながら,非常に短いウィンドウ長(-40s) で機能的な接続性の非定常な変動を理論的に検出できることを示している.統計力は,Leonardi とVan DeVille の経験則に基づいて選択されたウィンドウ長に対して,最も近いことがわかる.さらに,機能的接続性の非定常変動を特定するための数学的な基礎を築き,Leonardi とVan De Ville の研究が基づいている正弦波モデルの限界を指摘した.特に,我々の分析結果は,統計的なテストと同様に共分散に関連するが,機能的な接続性は,相関関係を使用してより一般的に測定される.”

静的および動的レスティングステイトfMRI 脳コネクティビティを用いた統合失調症および双極性患者の分類

Classi cation of schizophrenia and bipolar patients using
static and dynamic resting-state fMRI brain connectivity
Neuroimage, Vol.134, 645{657, 2016
20171003 rhagiwara

近年,様々な精神疾患における脳内ネットワークの機能的な構成を調べるために,機能的ネットワークコネク ティビティ(空間的に離れた脳内ネットワーク間の時間相関として定義されるFNC)が使用されている.動的FNC は,短期間にわたるFNC 変化を考慮に入れた従来のFNC 解析の最近の拡張である.このような動的FNC 測定 はコネクティビティの様々な側面についてより情報を与えるかもしれないが,複雑な精神疾患において分類を行 う静的および動的FNC の性能の詳細な比較はなかった.本論文では,静的および動的FNC の特徴に基づいて, 統合失調症,双極性および健常者を自動的に分類するためのフレームワークを提案する.また,静的FNC と動的 FNC の間の交差検証の分類性能を比較する.結果は,動的FNC は,予測精度に関して静的FNC よりも顕著に優 れていることを示し,動的FNC の特徴は分類目的のために静的FNC よりも顕著な利点を有することを示してい る.さらに,静的および動的FNC の特徴を合わせても,動的FNC の特徴だけより分類性能は大幅に改善されず, 分類目的において静的FNC が動的FNC と組み合わせたときに重要な情報を追加しないことが示唆される.静的 および動的FNC 特徴に基づく3 つの分類方法は,個々の被験者を適切な診断グループに高精度で区別する.私た ちが提案した分類フレームワークは,潜在的に追加の精神障害に適用可能である.

Chronnectome:fMRIデータ発見の次の新分野としての時変結合性ネットワーク

The Chronnectome: Time-Varying Connectivity Networks as the Next Frontier in fMRI Data Discovery
Neuron, vol.84, pp.262-274, 2014
20170717 katayama

近年,fMRI を簡易な走査長平均以上に移動させ,時間的に変化する結合性の特性を捉える手法への関心が急速
に高まっていることが見られる.この展望では,「chronnectome」という用語を使用して,カップリングの動的な
見解を認める測定基準を述べる.chronnectome では,カップリングは時間的に徐々に発展する可能性のある脳の
領域間の相関もしくは相互伝達する活動のおそらく時間的に変化するレベルを言及する.我々は第一にグループ
に開発された多変量解析アプローチに焦点を当て,主成分分析や独立成分分析などの行列分解に重点を置いてさ
まざまなアプローチを検討する.我々はまた,これらのアプローチを脳機能の特徴づけおよび理解を改善するた
めに提供する可能性について議論する.さらに発展させる必要のある方法論的指針がいくつかあるが,慢性的な
アプローチはすでに健康な脳と病気の脳の両方の研究に大きな期待を示す.