Return to search

Exploring functional brain networks using independent component analysis:functional brain networks connectivity

Abstract

Functional communication between brain regions is likely to play a key role in complex cognitive processes that require continuous integration of information across different regions of the brain. This makes the studying of functional connectivity in the human brain of high importance. It also provides new insights into the hierarchical organization of the human brain regions. Resting-state networks (RSNs) can be reliably and reproducibly detected using independent component analysis (ICA) at both individual subject and group levels. A growing number of ICA studies have reported altered functional connectivity in clinical populations. In the current work, it was hypothesized that ICA model order selection influences characteristics of RSNs as well as their functional connectivity. In addition, it was suggested that high ICA model order could be a useful tool to provide more detailed functional connectivity results. RSNs’ characteristics, i.e. spatial features, volume and repeatability of RSNs, were evaluated, and also differences in functional connectivity were investigated across different ICA model orders. ICA model order estimation had a significant impact on the spatial characteristics of the RSNs as well as their parcellation into sub-networks. Notably, at low model orders neuroanatomically and functionally different units tend to aggregate into large singular RSN components, while at higher model orders these units become separate RSN components. Disease-related differences in functional connectivity also seem to alter as a function of ICA model order. The volume of between-group differences reached maximum at high model orders. These findings demonstrate that fine-grained RSNs can provide detailed, disease-specific functional connectivity alterations. Finally, in order to overcome the multiple comparisons problem encountered at high ICA model orders, a new framework for group-ICA analysis was introduced. The framework involved concatenation of IC maps prior to permutation tests, which enables statistical inferences from all selected RSNs. In SAD patients, this new correction enabled the detection of significantly increased functional connectivity in eleven RSNs. / Tiivistelmä

Toiminnallisten aivoalueiden välinen viestintä on todennäköisesti avainasemassa kognitiivisissa prosesseissa, jotka edellyttävät jatkuvaa tiedon integraatiota aivojen eri alueiden välillä. Tämä tekee ihmisaivojen toiminnallisen kytkennällisyyden tutkimuksesta erittäin tärkeätä. Kytkennälllisyyden tutkiminen antaa myös uutta tietoa ihmisaivojen osa-alueiden välisestä hierarkiasta. Aivojen hermoverkot voidaan luotettavasti ja toistettavasti havaita lepotilan toiminnasta yksilö- ja ryhmätasolla käyttämällä itsenäisten komponenttien analyysia (engl. Independent component analysis, ICA). Yhä useammat ICA-tutkimukset ovat raportoineet poikkeuksellisia toiminnallisen konnektiviteetin muutoksia kliinisissä populaatioissa. Tässä tutkimuksessa hypotetisoitiin, että ICA:lla laskettaujen komponenttien lukumäärä (l. asteluku) vaikuttaa tuloksena saatujen hermoverkkojen ominaisuuksiin kuten tilavuuteen ja kytkennällisyyteen. Lisäksi oletettiin, että korkea ICA-asteluku voisi olla herkempit tuottamaan yksityiskohtaisia toiminnallisen jaottelun tuloksia. Aivojen lepotilan hermoverkkojen ominaisuudet, kuten anatominen jakautuminen, volyymi ja lepohermoverkkojen havainnoinnin toistettavuus evaluoitin. Myös toiminnallisen kytkennällisyyden erot tutkitaan eri ICA-asteluvuilla. Havaittiin että asteluvulla on huomattava vaikutus aivojen lepotilan hermoverkkojen tilaominaisuuksiin sekä niiden jakautumiseen alaverkoiksi. Pienillä asteluvuilla hermoverkojen neuroanatomisesti erilliset yksiköt pyrkivät keräytymään laajoiksi yksittäisiksi komponenteiksi, kun taas korkeammilla asteluvuilla ne havaitaan erillisinä. Sairauksien aiheuttamat muutokset toiminnallisessa kytkennällisyydessä näyttävät muuttuvan myös ICA asteluvun mukaan saavuttaen maksiminsa korkeilla asteluvuilla. Korkeilla asteluvuilla voidaan havaita yksityiskohtaisia, sairaudelle ominaisia toiminnallisen konnektiviteetin muutoksia. Korkeisiin ICA asteluvun liittyvän tilastollisen monivertailuongelman ratkaisemiseksi kehitimme uuden menetelmän, jossa permutaatiotestejä edeltävien itsenäisten IC-karttoja yhdistämällä voidaan tehdä luotettava tilastollinen arvio yhtä aikaa lukuisista hermoverkoista. Kaamosmasennuspotilailla esimerkiksi kehittämämme korjaus paljastaa merkittävästi lisääntynyttä toiminnallista kytkennällisyyttä yhdessätoista hermoverkossa.

Identiferoai:union.ndltd.org:oulo.fi/oai:oulu.fi:isbn978-952-62-0159-7
Date18 June 2013
CreatorsAbou Elseoud, A. (Ahmed)
ContributorsKiviniemi, V. (Vesa), Tervonen, O. (Osmo)
PublisherOulun yliopisto
Source SetsUniversity of Oulu
LanguageEnglish
Detected LanguageFinnish
Typeinfo:eu-repo/semantics/doctoralThesis, info:eu-repo/semantics/publishedVersion
Formatapplication/pdf
Rightsinfo:eu-repo/semantics/openAccess, © University of Oulu, 2013
Relationinfo:eu-repo/semantics/altIdentifier/pissn/0355-3221, info:eu-repo/semantics/altIdentifier/eissn/1796-2234

Page generated in 0.0028 seconds