Deconvolving Complex Neuronal Networks into Interpretable Task-Specific Connectomes

要約

タスク特異的機能的MRI（fMRI）画像は、認知プロセスのニューロン基盤を研究するための優れたモダリティを提供する。我々はfMRIデータを用いて、課題特異的な神経回路網をカノニカルネットワークと呼ばれる基本的な構成要素に分解し、これらの回路網を機能的特徴付けに利用し、これらの反応を脳の部位にマッピングすることで生理学的基盤を特徴付けるという問題を定式化し、解決する。その結果、カノニカルネットワークの優れた課題特異性、すなわち、少数のカノニカルネットワークの発現を用いて課題を正確に予測できること、コホート間の一般化可能性、すなわち、カノニカルネットワークは多様な集団、研究、獲得プロトコールにわたって保存されていること、カノニカルネットワークは解剖学的・生理学的基盤を強く持っていることが示された。手法の観点からは、これらの正準ネットワークを同定する問題は、高次元性、サンプルサイズの小ささ、収集のばらつき、ノイズに根ざした課題を提起している。我々のデコンボリューション手法は、非負行列分解（NMF）に基づいており、適切に構築された行列の因子として正準ネットワークを同定する。本手法が大規模データセットに対応し、安定で正確な因子を生成し、ノイズに頑健であることを実証する。

要約(オリジナル)

Task-specific functional MRI (fMRI) images provide excellent modalities for studying the neuronal basis of cognitive processes. We use fMRI data to formulate and solve the problem of deconvolving task-specific aggregate neuronal networks into a set of basic building blocks called canonical networks, to use these networks for functional characterization, and to characterize the physiological basis of these responses by mapping them to regions of the brain. Our results show excellent task-specificity of canonical networks, i.e., the expression of a small number of canonical networks can be used to accurately predict tasks; generalizability across cohorts, i.e., canonical networks are conserved across diverse populations, studies, and acquisition protocols; and that canonical networks have strong anatomical and physiological basis. From a methods perspective, the problem of identifying these canonical networks poses challenges rooted in the high dimensionality, small sample size, acquisition variability, and noise. Our deconvolution technique is based on non-negative matrix factorization (NMF) that identifies canonical networks as factors of a suitably constructed matrix. We demonstrate that our method scales to large datasets, yields stable and accurate factors, and is robust to noise.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL