同時グラフ計算と分割を用いたResting-State fMRIデータによる個人の全脳アトラスの生成

Generation of Individual Whole-Brain Atlases With Resting-State fMRI Data Using Simultaneous Graph Computation and Parcellation
J.Wang, Z.Hao, H.Wang Frontiers in Human Neuroscience. Published online 2018 May 4.

人間の脳は機能的ネットワークとして特徴づけることができる.信頼性の高いネットワークを構築するためには,脳を適切に区分することが重要である.Resting-Stateの機能的接続ベースの分割は,この目標を達成するために一般的に使用される技術である.ここでは,全脳の安静時のfMRIデータに基づいた個々の被験者レベルの新規の分割アプローチを提案する.最初に単純ボクセル反復クラスタリングと呼ばれるスーパーボクセル法を,Resting-StateのfMRI時系列データに直接使用してスーパーボクセルを生成し,類似したスーパーボクセルを結合し,GWCとして知られるクラスタリング法を用いてクラスタを生成した.GWCアプローチは,エネルギー最小化により,空間情報とスーパーボクセルの複数の特徴によって,同時に最適なグラフの生成と脳の分割を行う.また,GWCは,分割結果のクラスタ数が初期化の際のクラスタ数と等しいことが保証される.GWCアプローチの結果とランダムアプローチの結果を比較することで,GWCは空間構造に大きく依存しないことが示されたたため,全脳の協調によるアプローチで遭遇する課題を回避できる.さらに,GWCアプローチを2つの競合するアプローチと比較することで,GWCが異なる評価基準の観点から,より良い分割性能を達成することが示された.

休止状態のfMRIデータを用いた集団の全脳のスーパーボクセルに基づく分割方法

A Supervoxel-Based Method for Groupwise Whole Brain Parcellation with Resting-State fMRI Data
Frontiers in Human Neuroscience 10 (2016)
20170424knakamura

ノードの定義は,人間の脳のネットワーク解析および機能的接続研究において非常に重要な問題である.通常,meta-analysis,ランダムな基準,および構造的な基準から生成されたアトラスは,ネットワーク解析に関連するアプリケーションのノードとして利用されます.しかし,これらのアトラスはもともとそのような目的のために設計されておらず,ネットワーク解析のような目的に対して適切ではないことがある.この研究では,適切な脳アトラスを生成するために全脳静止状態のfMRIデータを分割するために、Normalized Cut(Ncut)およびSimple Linear Iterative Clustring(SLIC)と呼ばれるスーパーボクセル法を組み合わせた.具体的には,接続行列から特徴を抽出するためにNcutを用い,抽出された特徴にSLICを適用して分割を生成した.グループレベルの分割を得るために,平均SLICと2レベルSLICという2つのアプローチを提案する.複数のサイズのスーパーボクセルを生成するために広い範囲でクラスタ数を設定した.2つのSLICアプローチを,空間的連続性,機能的均質性および再現性を含む異なる評価基準の下で3つの最先端アプローチと比較した.我々の研究では,群間再現性および群間再現性の両方を評価した.実験結果では,提案されたアプローチが,異なる重み付け関数,異なるスパース化スキーム,およびいくつかの要因を含む異なる条件において比較的良好なクラスタリング性能を得たことが示された.従って,生成されたアトラスは,ネットワーク解析のためのノードとして利用するのに適している.この研究の生成されたアトラスと主要なソースコードはhttp://www.nitrc.org/projects/slic/で公開されています.