Визуализация (идентификация) крупномасштабных нейронных

Визуализация (идентификация) крупномасштабных нейронных сетей
головного мозга человека.
Верхлютов В.М
Институт высшей нервной деятельности и нейрофизиологии РАН
www.ihna.ru
Изучение динамики сигнала функциональной магниторезонансной
томографии (фМРТ) в состоянии спокойного бодрствования показало
наличие спонтанных колебаний BOLD-сигнала (Blood Oxygenation Level
Dependent) с частотой порядка 0.1 Гц.
Первоначально при анализе фМРТ использовали блоковую парадигму,
где данные колебания усредняли во времени для получения базового уровня,
относительно которого измеряли сигнал после сенсорного стимула или
моторного действия. В дальнейшем выяснили, что отдельные участки коры
имеют собственную динамику отличную от окружающих тканей. Это
позволило выявить крупномасштабные нейронные сети, элементы которых
характеризовались синхронным изменением уровня оксигенации к которому
чувствительна фМРТ [1].
Рис. 1. Пространственное распределение и временная динамика
нейронной сети по умолчанию (DMN). Часть иллюстрации из работы
(Raichlea M.E., Snydera A.Z., 2007).
1
Первой была выявлена нейронная сеть по умолчанию (Default Mode
Network-DMN). Данная сеть состояла из двух порций в лобной и теменной
областях мозга (рис.1). Её отличительной особенностью было уменьшение
активности
при
любом
виде
внешней
или
внутренней
активации
(стимуляции, моторном действии, ментальной нагрузке). Затем были
идентифицированы остальные сети, которые напротив можно было связать с
усилением активацией. Таких нейронных сетей для состояния покоя (Resting
State Networks - RSNs) сейчас описано порядка 10 и их исследование
продолжается. Подобные нейронные сети описаны так же для условий
стимуляции [4,5].
RSNs обычно идентифицируют, используя анализ независимых
компонентов (Independent Component analysis
- ICA). С помощью ICA
анализируют фМРТ, выделяя порядка 30 статистически независимых
компонентов (IC). Каждый из них формирует рисунок группы вокселов,
которые показывают синхронные временные колебания. В этом случае
отдельный
IC состоит из пространственной карты и ее средней сетевой
динамики [2,3].
Для
каждого
испытуемого
получающиеся
компоненты
(IC)
анализируются визуально и присваиваются к ранее описанным RSNs [4,5,6].
В
этом
случае
может
быть
разработана
более
объективная
автоматизированная процедура идентификации RSNs, где присвоение IC к
RSN основано на его пространственном подобии и подобии характеристик IC
[7].
Чтобы
проверить
непротиворечивость
присвоения
для
группы
испытуемых вычисляется групповой компонент (GC) с использованием tтеста для пространственных IC испытуемых для каждой RSN. В этом случае
GC состоит из трехмерной матрицы (x y z координаты) t-множества
(непротиворечивости каждого воксела в GC для N-испытуемых).
2
Дополнительно вычисляется пространственное подобие IC каждого
испытуемого к определенному GC и в таблицу сводятся общие средние
черты для исследуемой группы [8].
В настоящее время описан и более совершенный алгоритм анализа
MICA (multidimensional ICA) [9]
Дальнейшие исследования при совместной регистрации фМРТ и
электроэнцефалограммы (ЭЭГ) показали возможность привязки спонтанных
ритмов ЭЭГ к RSN [10]. В этом случае отдельную RSN рассматривают как
источник ЭЭГ с определенной частотой ритма, которая взаимодействуя с
другими нейронными сетями создает пространственные распределения
мощностей спектра ЭЭГ на скальпе в характерных диапазонах частот
(дельта, тета1, тета2, альфа1, альфа2, бета1, бета2, бета3, гамма) [10,11].
Многие из описанных здесь и в цитируемой литературе алгоритмов
реализованы для среды Матлаб, в том числе и задачи для локализации
электрических источников RSN для ЭЭГ и МЭГ (магнитоэнцефалограмма).
Последняя задача использует модели граничных (BEM) и конечных
элементов (FEM), которые требуют больших вычислительных ресурсов для
своего решения [12,13].
Москва, 21 января 2012.
Литература:
1. Raichlea ME, Snydera AZ, (2007) A default mode of brain function: A brief
history of an evolving idea NeuroImage 37:1083–1090
2. McKeown MJ, Jung TP, Makeig S, Brown G, Kindermann SS, et al. (1998)
Spatially independent activity patterns in functional MRI data during the stroop
color-naming task. Proc Natl Acad Sci USA 95: 803–810.
3. McKeown MJ, Makeig S, Brown GG, Jung TP, Kindermann SS, et al. (1997)
Analysis of fMRI data by decomposition into independent components. Neurology
48: 6056–6056.
3
4. Damoiseaux JS, Rombouts SA, Barkhof F, Scheltens P, Stam CJ, et al. (2006)
Consistent resting-state networks across healthy subjects. Proc Natl Acad Sci USA
103: 13848–13853.
5. De Luca M, Beckmann CF, De Stefano N, Matthews PM, Smith SM (2006)
fMRI resting state networks define distinct modes of long-distance interactions in
the human brain. Neuroimage 29: 1359–1367.
6. Cole DM, Smith SM, Beckmann CF (2010) Advances and pitfalls in the analysis
and interpretation of resting-state FMRI data. Front Syst Neurosci 4:8.
(www.frontiersin.org/systems_neuroscience/10.3389/fnsys.2010.00008/abstract)
7. De Martino F, Gentile F, Esposito F, Balsi M, Di Salle F, et al. (2007)
Classification of fMRI independent components using IC-fingerprints and support
vector machine classifiers. Neuroimage 34: 177–194.
8. Esposito F, Scarabino T, Hyvarinen A, Himberg J, Formisano E, et al. (2005)
Independent component analysis of fMRI group studies by self-organizing
clustering. Neuroimage 25: 193–205.
9. Ma S., Nicolle M. Correa NM, Li X., Eichele T., Calhoun VD, Adalı T. (2011)
Automatic Identification of Functional Clusters in fMRI Data using Spatial
Information IEEE Trans Biomed Eng. 58(12): 3406–3417.
10. Jann K, Kottlow M., Dierks T., Boesch C., Koenig T. (2010) Topographic
Electrophysiological Signatures of fMRI Resting State Networks. PLoS ONE,
5(9): e12945 (www.plosone.org).
11. Mantini D. , Perrucci MG, Del Gratta C, Romani GL, Corbetta M. (2007)
Electrophysiological signatures of resting state networks in the human brain.
PNAS 104(32): 13170–13175
(www.pnas.org_cgi_doi_10.1073_pnas.0700668104).
12. Ткаченко О.Н., Фролов А.А., Верхлютов В.М. Использование метода
граничных элементов для уточнения локализации дипольных источников
ЭЭГ//Журн.высш.нервн.деят.,2008, Т.58, N 2, с. 247-254.
13. Ставцев A.Ю,.Ушаков В.Л.,.Верхлютов В.М. Моделирование влияния
толщины слоев и проводимости тканей головы на потенциалы ЭЭГ с
использованием метода конечных элементов//Журн.высш.нервн.деят.,2007,
Т.57, N 6, с. 738-748.
4