Reconstructing physiological signals from fMRI across the adult lifespan

要約

脳と身体の間の相互作用は、人間の行動と健康にとって根本的に重要です。
機能的磁気共鳴画像法 (fMRI) は、脳全体の活動を非侵襲的に捕捉し、fMRI 信号が身体の生理学的動態とどのように相互作用するかをモデル化することで、脳機能に対する新たな洞察を提供し、疾患の潜在的なバイオマーカーを提供することができます。
ただし、生理学的記録は追加の機器やセットアップが必要なため、常に取得できるわけではありません。また、取得できた場合でも、記録された生理学的信号にはかなりのアーティファクトが含まれる可能性があります。
この制限を克服するために、安静状態の fMRI 信号から呼吸および心臓の活動の特徴を直接抽出する機械学習モデルが提案されています。
現在まで、このような研究は健康な若年成人と小児集団を対象にのみ実施されており、高齢者に対するこれらのアプローチの有効性については未解決の疑問が残されています。
ここでは、低周波呼吸量 (RV) と心拍数 (HR) 変動という 2 つの主要な生理学的信号を fMRI データから再構成するためにトランスフォーマー ベースのアーキテクチャを活用する新しいフレームワークを提案し、高齢者のデータセットでこれらのモデルをテストします。
36～89歳。
私たちのフレームワークは、以前に提案されたアプローチ（RVの場合はr〜0.698、HRの場合はr〜0.618という予測信号と測定信号の間の相関中央値を達成）を上回っており、fMRIと生理学的信号の関係をモデル化するために注意メカニズムを活用できる可能性を示しています。
また、いくつかのモデルのトレーニングと微調整戦略も評価し、トレーニング中に若年成人のデータを組み込むと、高齢者コホートの生理学的シグナルを予測する際のパフォーマンスが向上することがわかりました。
全体として、私たちのアプローチは、成人の生涯にわたる幅広い個人からの fMRI データから直接、重要な生理学的変数を首尾よく推定します。

要約(オリジナル)

Interactions between the brain and body are of fundamental importance for human behavior and health. Functional magnetic resonance imaging (fMRI) captures whole-brain activity noninvasively, and modeling how fMRI signals interact with physiological dynamics of the body can provide new insight into brain function and offer potential biomarkers of disease. However, physiological recordings are not always possible to acquire since they require extra equipment and setup, and even when they are, the recorded physiological signals may contain substantial artifacts. To overcome this limitation, machine learning models have been proposed to directly extract features of respiratory and cardiac activity from resting-state fMRI signals. To date, such work has been carried out only in healthy young adults and in a pediatric population, leaving open questions about the efficacy of these approaches on older adults. Here, we propose a novel framework that leverages Transformer-based architectures for reconstructing two key physiological signals – low-frequency respiratory volume (RV) and heart rate (HR) fluctuations – from fMRI data, and test these models on a dataset of individuals aged 36-89 years old. Our framework outperforms previously proposed approaches (attaining median correlations between predicted and measured signals of r ~ .698 for RV and r ~ .618 for HR), indicating the potential of leveraging attention mechanisms to model fMRI-physiological signal relationships. We also evaluate several model training and fine-tuning strategies, and find that incorporating young-adult data during training improves the performance when predicting physiological signals in the aging cohort. Overall, our approach successfully infers key physiological variables directly from fMRI data from individuals across a wide range of the adult lifespan.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google