Analyse en composantes indépendantes intelligente (SMART ICA) : Une méthode innovante pour extraire des réseaux fonctionnels cérébraux précis

Contexte

Dans la recherche en neurosciences, les réseaux fonctionnels (Functional Networks, FNs) montrent un grand potentiel pour comprendre les fonctions cérébrales humaines en explorant les relations d’intégration et d’interaction entre différentes régions cérébrales. L’imagerie par résonance magnétique fonctionnelle (IRMf) est un outil important qui révèle les connexions fonctionnelles entre différentes régions cérébrales en observant les changements du signal dépendant du niveau d’oxygène dans le sang lors de l’activité cérébrale. L’analyse en composantes indépendantes (Independent Component Analysis, ICA) est une méthode courante basée sur les données, largement utilisée pour estimer les réseaux fonctionnels à partir des données d’IRMf. Cependant, les méthodes ICA sont confrontées à des défis pour déterminer l’ordre optimal du modèle (c’est-à-dire le nombre de composantes), ce qui soulève des questions sur la fiabilité des résultats d’estimation des réseaux fonctionnels. Par conséquent, le développement de méthodes fiables d’analyse des réseaux fonctionnels cérébraux est particulièrement important pour maximiser la robustesse et l’applicabilité des résultats de recherche. Cet article présente une méthode appelée analyse en composantes indépendantes intelligente (SMART ICA), qui extrait automatiquement des réseaux fonctionnels fiables à partir des résultats ICA de plusieurs ordres de modèle en utilisant une méthode assistée par division et fusion, et vérifie son efficacité dans l’analyse des données IRMf de plusieurs sujets.

Source de la recherche

Cet article a été rédigé par Xingyu He, Vince D. Calhoun, Yuhui Du et d’autres chercheurs, respectivement de l’École d’informatique et de technologie de l’information de l’Université de Shanxi, du Centre inter-institutionnel de neuro-imagerie et de science des données GSU-Georgia Tech-Emory, et du Centre d’excellence pour l’innovation en sciences du cerveau et technologies intelligentes de l’Académie chinoise des sciences. L’article a été publié en ligne le 15 mars 2024 et est paru dans le “Neuroscience Bulletin” en juillet.

Méthodologie de recherche

Processus de recherche

Le processus d’analyse global de la méthode SMART ICA peut être divisé en quatre étapes principales :

1. Exécution d’ICA avec différents ordres de modèle : Tout d’abord, l’ICA est appliquée aux données IRMf de plusieurs sujets avec différents ordres de modèle pour obtenir des composantes indépendantes (ICs) initiales au niveau du groupe.

2. Clustering assisté par division et fusion : Ces ICs initiales au niveau du groupe sont regroupées pour obtenir des ICs fiables au niveau du groupe, tout en établissant des relations entre les ICs de différents ordres de modèle.

3. Élimination des ICs artéfactuelles au niveau du groupe : Les ICs artéfactuelles sont éliminées, ne conservant que les réseaux fonctionnels (FNs) fiables au niveau du groupe.

4. Estimation des réseaux fonctionnels spécifiques aux sujets à l’aide de l’ICA guidée par l’information de groupe (GIG-ICA) : La méthode GIG-ICA est utilisée pour estimer les FNs spécifiques et les cours temporels (TCs) de chaque sujet sur la base de leurs données IRMf individuelles.

Techniques et algorithmes spéciaux

1. Exécution de l’ICA : Pour les données de p sujets (Xp), une analyse en composantes principales (ACP) est d’abord effectuée pour réduire la dimensionnalité, suivie d’une seconde ACP après avoir combiné les données de tous les sujets pour réduire davantage la dimensionnalité et obtenir la matrice H. Ensuite, l’algorithme infomax amélioré est appliqué pour la décomposition ICA, obtenant des ICs au niveau du groupe pour différents ordres de modèle.

2. Clustering assisté par division et fusion : Une structure de graphe de toutes les ICs initiales au niveau du groupe est construite et simplifiée en une structure arborescente en utilisant des techniques de simplification de graphe, utilisée pour guider les opérations de division et de fusion. Le clustering automatisé et robuste est réalisé par des opérations récursives de division et de fusion jusqu’à ce que toutes les structures arborescentes soient stables, intégrant ainsi les informations des réseaux fonctionnels de différents ordres de modèle.

3. Détection et élimination des artéfacts : Dans les données simulées, les artéfacts sont détectés en mesurant la régularité des ICs, ne conservant que les ICs avec une bonne régularité. Dans les données réelles, les ICs artéfactuelles sont éliminées manuellement, comme celles principalement activées dans la matière blanche et le liquide céphalo-rachidien.

4. Méthode GIG-ICA : La méthode GIG-ICA montre de meilleures performances en optimisant l’indépendance des réseaux fonctionnels spécifiques aux sujets et est la méthode préférée pour estimer les FNs individuels et les TCs associés.

Expérimentation et validation

1. Validation sur données simulées : Des expériences ont été menées sur deux ensembles de données simulées comprenant chacun 100 sujets pour évaluer l’efficacité de la méthode SMART ICA. Chaque ensemble de données simulées avait des modèles de cartographie spatiale (SM) prédéfinis, et les expériences ont montré que les réseaux fonctionnels spécifiques aux sujets estimés par la méthode SMART ICA correspondaient fortement aux véritables SM.

2. Validation sur données IRMf : Des expériences de validation ont été menées en utilisant des données de deux groupes sains appariés en âge du projet UK Biobank. Chaque groupe de données comprenait 975 sujets, et les résultats expérimentaux ont montré que la méthode SMART ICA présentait une grande cohérence dans l’extraction des réseaux fonctionnels au niveau du groupe et au niveau individuel, et pouvait identifier de subtils changements fonctionnels liés à l’âge.

Résultats de la recherche

1. Résultats sur données simulées : Les résultats expérimentaux des deux ensembles de données simulées ont montré que SMART ICA pouvait extraire efficacement des réseaux fonctionnels fiables au niveau du groupe à partir de multiples ordres de modèle et estimer avec précision les réseaux fonctionnels spécifiques aux sujets. La similarité entre les réseaux fonctionnels spécifiques à chaque sujet et les véritables SM dépassait 0,9, validant l’efficacité et la robustesse de la méthode.

2. Résultats sur données IRMf : Les expériences sur les données IRMf réelles ont montré que SMART ICA pouvait extraire des réseaux fonctionnels au niveau du groupe hautement cohérents dans deux groupes sains indépendants et identifier les changements fonctionnels liés à l’âge. La similarité de correspondance des 24 et 25 réseaux fonctionnels fiables au niveau du groupe pour les ordres de modèle bas dépassait 0,9, et la similarité de correspondance des 74 et 69 réseaux fonctionnels pour les ordres de modèle élevés était également élevée, démontrant la haute robustesse de la méthode.

Conclusions et signification de la recherche

1. Valeur scientifique : La méthode SMART ICA extrait automatiquement des réseaux fonctionnels fiables à partir des résultats ICA de multiples ordres de modèle sans nécessiter de prédéfinir l’ordre du modèle, ce qui augmente significativement le potentiel d’application de l’ICA dans l’analyse des réseaux fonctionnels cérébraux.

2. Valeur applicative : Les modèles de réseaux fonctionnels multi-échelles fournis offrent une référence importante pour les futures recherches, contribuant à la standardisation et à l’unification des méthodes d’analyse des données IRMf.

3. Découvertes importantes : La méthode peut identifier les changements des réseaux fonctionnels cérébraux liés à l’âge et a démontré une tendance à l’affaiblissement de la force des connexions fonctionnelles cérébrales avec l’âge.

Points forts de la recherche

1. Technique de clustering automatique par division et fusion : La méthode de clustering assisté par division et fusion proposée regroupe non seulement efficacement les ICs, mais capture également les relations entre les résultats de différents ordres de modèle.

2. Haute robustesse et applicabilité générale : La méthode a démontré une haute robustesse et une bonne applicabilité générale dans les données simulées et les données IRMf réelles, convenant à différentes études d’analyse des réseaux fonctionnels cérébraux.

3. Modèles de réseaux fonctionnels multi-échelles : Les modèles standardisés de réseaux fonctionnels à petite et grande échelle fournis facilitent les analyses futures sur de grands échantillons, améliorant la robustesse des résultats de recherche.

La méthode d’analyse en composantes indépendantes intelligente (SMART ICA) a un grand potentiel d’application dans la recherche sur les réseaux fonctionnels cérébraux, indiquant une avancée importante dans le domaine de l’analyse des données IRMf.