21521

21521

استخراج ساختار ارتباطات عملكردي شناختي از دادگان fMRI و شناسايي نشانگرهاي مرتبط با مراحل اوليه بيماري MS

دكتري تخصصي

بيوالكتريك

1391

1398/07/09

دكتر محمدرضا دليري - دكتر حميد بهنام

دكتر غلامعلي حسين زاده - دكتر مسعود مهرپور

برق

عدم عملكرد صحيح شناختي به¬طور مكرر در مراحل اوليه بيماري اسكلروز چندگانه (ام¬اس) گزارش ‌شده است. اختلال شناختي ناشي از ضايعات ساختاري در مغز بيماران مبتلابه ام¬اس مي¬تواند ارتباطات عملكردي مغز را تحت تأثير قرار دهد. تئوري گراف در تركيب با تصويربرداري تشديد مغناطيسي عملكردي (fMRI) امكان مدل¬سازي مغز را براي شناسايي الگوهاي ارتباط عملكردي در شرايط مختلف مغز و ارزيابي تغييرات مشخصه¬هاي توپولوژيكي شبكه مغز مي¬دهد. در اين رساله، ما به تشخيص تغييرات در الگوي ارتباطي شبكه مغز در هنگام اجراي يك وظيفه شناختي و شناسايي نشانگرهاي قابل¬اعتماد براي تفكيك معني¬دار بيماران مراحل اوليه ام¬اس از افراد سالم مي¬پردازيم. در اين راستا، اهميت ساخت شبكه¬ عملكردي كه بتواند بازتاب بهبوديافته¬اي از سازمان‌دهي شبكه مغز در جهت آشكارسازي اين تغييرات ارائه دهد، موردتوجه قرارگرفته است. در مطالعه حاضر، نسخه فارسي و اصلاح¬شده¬اي از وظيفه جمع متوالي شنيداري گام¬به¬گام (PASAT) طراحي و در يك اسكنر 3 تسلا به افراد موردمطالعه ارائه شد. در گام نخست ماتريس¬هاي مجاورت با اعمال آستانه گذاري نسبي بر روي شبكه¬هاي عملكردي مبتني بر همبستگي پيرسون به دست آمدند. سپس با محاسبه اندازه¬گيري¬هاي مختلفي از ويژگي¬هاي كلي و ناحيه¬اي گراف، مشخصه¬هاي شبكه بين بيماران ام¬اس و گروه كنترل مقايسه شدند. در شبكه مغزي مبتني بر اجراي وظيفه، ارتباطي بين ساختار مدولار، خوشه¬بندي و انديس جهان كوچك با عملكردهاي شناختي مشاهده شد. همچنين زيرمجموعه¬اي از نواحي مغزي تأثيرپذير از اختلالات شناختي شامل شكنج فوزيفرم، پوتامن راست، شكنج قطب گيجگاهي فوقاني راست، هيپوكامپ، پاراهيپوكامپ، آميگدال و برخي از نواحي مخچه شناسايي شدند. در ادامه، چارچوبي معرفي شد كه شبكه عملكردي را با در نظر گرفتن دو ساختار ذاتي مهم مغز، تُنُكي و مدولار مدل مي¬كند. براي رويكرد پيشنهادي، ابتدا نمايش تُنُك گروهي از طريق آموزش يك ديكشنري فوق كامل با حضور همه سري¬هاي زماني عملكردي از افراد دو گروه استخراج شد. سپس مفهوم ساختار مدولار بر روي ضرايب تُنُك به‌دست‌آمده براي محاسبه شدت ارتباطات نواحي جهت بررسي تفاوت¬هاي بين-گروهي به كار گرفته شد. تغييرات در خواص توپولوژيكي شبكه با در نظر گرفتن وزن ارتباطات هر جفت ناحيه و استخراج ويژگي-هاي گراف، موردبررسي قرار گرفت. نتايج حاصله توانايي تمايز بالا و معني¬دار ويژگي مدولاريتي را در ميان همه ويژگي¬هاي كلي شبكه نشان داد. به¬علاوه، زيرمجموعه¬اي از ويژگي¬هاي ناحيه¬اي مانند مركزيت بردار ويژه، گريز از مركز، شدت گره، و درجه درون-مدول شناسايي شد، كه به¬طور معني¬دار بين دو گروه متفاوت بودند. همچنين، نشان داده شد مدل ساخت شبكه¬ عملكردي پيشنهادي در اين مطالعه با ادغام نمايش تُنُك و ساختار مدولار با به¬كارگيري شدت ارتباطات دوبه¬دويي و ويژگي¬هاي گراف مي¬تواند با شناسايي نشانگرهاي مؤثر و نواحي مغزي بااهميت به تشخيص زودهنگام تغييرات شناختي در بيماري ام¬اس منجر شود.

1398/10/16

Extraction of cognitive functional connectivity network from fMRI data and Identification of reliable markers in the early phase of MS disease

1/6/2020 12:00:00 AM

Cognitive deficits are frequently found in the early phases of Multiple Sclerosis (MS) disease. Cognitive dysfunction is the result of structural lesions in the brains of patients with MS, which could impress the brain functional connectivity. Graph theoretical methods in combination with fMRI allow us to model the brain networks for the identification of functional connectivity patterns in various conditions and to assess the topological properties of brain networks. In the present study, we aimed to identify the brain connectivity pattern alterations during a demanding cognitive task and detect the significant features for the distinction of MS patients from healthy controls (HC). In this regard, the importance of functional brain network construction for the better exhibition of changes inducing the improved reflection of functional organization structure should be precisely considered. In this study, the modified Paced Auditory Serial Addition Task (PASAT) was presented to the subjects in an fMRI study in a 3.0 T MRI scanner. At first, the adjacency matrices constructed by proportional thresholding of the Pearson correlation-based connectivity networks. Then, the network characteristics were studied in patients with relapsing-remitting MS (RRMS) in the early stages and matched HC through computing the different types of global and regional graph measures. We observed a link between modular structure, clustering, and small-world index with cognition in task-based brain state. We also detected sets of informative brain areas like superior temporo-polar gyrus, right putamen, fusiform gyrus, hippocampus, parahippocampal gyri, amygdala, and some parts of cerebellar which are affected by cognitive impairments in the early phases of MS disease. In the following, we strove to introduce a framework for modeling the functional connectivity network by considering the two most important intrinsic sparse and modular structures of brain. For the proposed approach, we first derived group-wise sparse representation via learning a common over-complete dictionary matrix from the aggregated cognitive task-based fMRI data of all subjects of the two groups to be able to investigate between-group differences. We then applied the modularity concept on achieved sparse coefficients to compute the connectivity strength between the two brain regions. We examined the changes in network topological properties of the two groups by considering the pairwise connectivity weights of regions and extracting graph-based measures. The experimental findings proved the high discrimination ability of the modularity measure among all the global features. In addition, we identified such local feature subsets as eigenvector centrality, eccentricity, node strength, and within-module degree, which significantly differed between the two groups. Moreover, these nodal graph measures have been served as the detectors of brain regions, affected by different cognitive deficits. Our findings also illustrated that integration of sparse representation and modular structure by applying pairwise connectivity strength and graph properties could lead to early diagnosis of cognitive alterations in the case of MS with the identification of reliable markers and informative brain regions.