?
Байесовский подход к поиску функциональных сетей на основе неинвазивных МЭГ-данных
Картирование функционального коннектома головного мозга представляет собой одну из ключевых задач современной нейровизуализации. Магнитоэнцефалография (МЭГ) в сочетании с методами локализации источников позволяет неинвазивно оценивать функциональные связи с высоким временным и приемлемым пространственным разрешением. Наши недавние разработки (Ossadtchi et al., 2018) демонстрируют, что задача оценки связности может быть впервые сформулирована и решена в рамках многомерной байесовской парадигмы за счет перехода в пространство-произведение сигналов сенсоров. Этот подход рассматривает сами функциональные сети в качестве источников, так, что каждый “источник” представляет собой элементарную двухузловую сеть. Поэтому вычисление связности сводится к решению задачи многомерной регрессии и может быть упорядочено с помощью байесовского подхода, в котором предположения об источниках реализуются при помощи априорных распределений, извлеченных из данных о структурном коннектоме, полученных при помощи диффузионной тензорной визуализации (DTI). В рамках разработанного подхода оценка коэффициентов связности в пространстве анатомических кластеров осуществляется с помощью байесовой регрессии с L1 регуляризацией, штрафная компонента которой содержит отношение первичной оценки функциональной связности к показателям структурной связности. Это обеспечивает подавление показателей связности тех пар источников, которые характеризуются дисбалансом между структурной и проявляемой функциональной связями. Применение метода к реалистичным моделям сетей на парах кластеров с сильными и слабыми структурными связями показало его преимущество над оценкой функциональной связности без использования анатомических приоров. Получаемые решения характеризуются более высокой чувствительностью в сценариях с низким соотношением сигнал-шум. Использование метода на реальных МЭГ-данных, регистрируемых при тактильной стимуляции указательного пальца, позволяет выявить физиологически релевантные сети, задействующие соматосенсорную кору. Таким образом, сведение задачи оценки функциональной связности к многомерной регрессии открывает возможность для включения информации об анатомических связях, что повышает качество получаемых решений. В рамках дальнейшего развития подхода планируется его расширение до оценки динамических свойств связности с учетом вариабельности скорости распространения нервного импульса в зависимости от геометрических и анатомических параметров трактов белой материи