用于提取准确脑功能网络的智能独立成分分析

2024-08-04 Sun
智能独立成分分析（SMART ICA）：提取准确的脑功能网络的创新方法背景介绍在脑科学研究中，功能网络（Functional Networks，FNs）通过探讨不同脑区之间的整合和互动关系，显示出极大的潜力来理解人类脑功能。功能磁共振成像（fMRI）是一种重要的工具，它通过观测脑活动时的血氧水平依赖信号变化，揭示了不同脑区间的功能连接。独立成分分析（Independent Component Analysis，ICA）是一种常用的数据驱动方法，广泛应用于从fMRI数据中估算功能网络。然而，ICA方法在确定最佳模型阶数（即成分数量）时面临挑战，这导致了对功能网络估算结果的可靠性产生质疑。因此，开发可靠的脑功能网络分析方法对于最大化研究结果的稳健性和普适性尤为重要。本文提出了一种名为智能独立成分分析（SMART ICA）的方法，通过分裂合并辅助的方法，从多模型阶数的ICA结果中自动提取可靠的功能网络，并验证其在多个受试者fMRI数据分析中的有效性。
研究来源本文由Xingyu He、Vince D. Calhoun和Yuhui Du等学者撰写，分别来自山西大学计算机与信息技术学院、GSU-Georgia Tech-Emory跨机构神经影像与数据科学中心，以及中国科学院脑科学与智能技术卓越创新中心。论文在2024年3月15日在线发布，并于7月发表于《Neuroscience Bulletin》。
研究方法研究流程SMART ICA方法总体分析流程可分为四个主要步骤：
不同模型阶数的ICA运行：
首先，对多个受试者的fMRI数据应用不同模型阶数进行ICA，得到初始组水平的独立成分（ICs）。
分裂合并辅助聚类：
集群这些初始组水平的ICs，得到可靠的组水平ICs，同时建立不同模型阶数的ICs之间的关联关系。
去除组水平伪影ICs：
去除伪影ICs，保留可靠的组水平功能网络（FNs）。
利用群体信息指导ICA（GIG-ICA）估算受试者特异性功能网络：
通过GIG-ICA方法，基于每个受试者的fMRI数据，估算其特异性FNs和时间课程（TCs）。
特殊技术与算法ICA运行：
对于p个受试者数据（Xp），首先进行主成分分析（PCA）降维，之后合并所有受试者数据并进行第二次PCA，以进一步降维得到矩阵H。然后应用改进的infomax算法进行ICA分解，得到不同模型阶数的组水平ICs。
分裂合并辅助聚类：
通过图简化技术，构建所有初始组水平ICs的图结构并化简为树结构，用于指导分裂和合并操作。通过递归地进行分裂和合并操作，直到所有树结构稳定，达到自动化和鲁棒的聚类，来整合不同模型阶数下的功能网络信息。
伪影检测与剔除：
在模拟数据中，通过测量ICs的光滑度来检测伪影，保留光滑度较好的ICs。在真实数据中，手动剔除伪影ICs，如白质和脑脊液中主要激活的ICs。
GIG-ICA方法：
GIG-ICA方法通过优化受试者特异性功能网络的独立性表现出更好的性能，是估算个体FNs和相关TCs的首选方法。
实验与验证模拟数据验证：
使用两组分别包含100名受试者的模拟数据进行实验，评估SMART ICA方法的有效性。各组模拟数据具有既定的空间映射（SM）模式，实验显示SMART ICA方法估算的受试者特异性功能网络与真实SM具有高匹配度。
fMRI数据验证：
使用来自UK Biobank项目中两个年龄匹配的健康组数据进行实验验证。每组数据包含975名受试者，实验结果显示SMART ICA方法在组水平和个体水平功能网络提取方面具有高度一致性，并且能够识别随年龄变化的细微功能变化。
研究结果模拟数据结果：
两组模拟数据的实验结果显示，SMART ICA能够有效从多模型阶数中提取可靠的组水平功能网络，并精确估算受试者特异性功能网络。各受试者特异性功能网络与真实SM的相似性均超过0.9，验证了方法的有效性和鲁棒性。
fMRI数据结果：
在真实fMRI数据中的实验表明，SMART ICA能够在两个独立的健康组中提取出高一致性的组水平功能网络，并能识别随年龄增长的功能变化。低模型阶数下的24个和25个可靠组水平功能网络的匹配相似性超过0.9，高模型阶数下的74个和69个功能网络的匹配相似性也很高，展示了方法的高鲁棒性。
研究结论与意义科学价值：
SMART ICA方法在无需预设模型阶数的情况下，自动化地从多模型阶数ICA结果中提取可靠的功能网络，这显著提升了ICA在脑功能网络分析中的应用潜力。
应用价值：
提供的多尺度功能网络模板为未来研究提供了重要的基准，有助于标准化和统一fMRI数据分析方法。
重要发现：
方法能够识别年龄相关的脑功能网络变化，并证明了随着年龄增长，脑功能连接强度的减弱趋势。
研究亮点自动分裂合并聚类技术：
提出的分裂合并辅助聚类方法，不仅高效地群集ICs，还能捕捉不同模型阶数结果间的关联关系。
高鲁棒性和普适性：
方法在模拟数据和真实fMRI数据中均表现出高鲁棒性和良好的普适性，适用于不同的脑功能网络分析研究。
多尺度功能网络模板：
提供的标准化小尺度和大尺度功能网络模板，有助于未来大样本分析，提升研究结果的稳健性。
智能独立成分分析（SMART ICA）方法在脑功能网络研究中的应用潜力巨大，预示着fMRI数据分析领域的一个重要进步。