Функциональная магнитно-резонансная томография в состоянии покоя: особенности статистической обработки данных ROI-анализа

Полный текст

АКТУАЛЬНОСТЬ

Функциональная магнитно-резонансная томография (фМРТ) в состоянии покоя представляет собой уникальную методику для изучения патофизиологии заболеваний, связанных с нарушением функциональной деятельности головного мозга [1–3], основанную на регистрации степени насыщения крови кислородом в локальном участке мозга (BOLD-сигнала). В последнее время исследователи выдвигают гипотезы, в соответствии с которыми в основе многих неврологических и психических заболеваний лежит патологическая связность между нейросетями покоя [4, 5]. Нейросети покоя — термин, который относится к пространственно независимым структурам головного мозга, способным к согласованным активациям без конкретных задач или стимулов, участвующих в выполнении различных когнитивных функций, обнаружении, обработке и интеграции внутренних и внешних стимулов, а также психических процессов [6, 7]. В современных нейробиологических исследованиях выделяют 8 основных нейросетей покоя [8–10]:

1. Сеть пассивного режима работы: медиальная префронтальная кора, задняя поясная кора/предклинье, нижний отдел теменной доли с обеих сторон.
2. Сенсомоторная сеть: верхняя (дополнительная моторная кора медиальных отделов лобных долей), двусторонняя латеральная (моторная и сенсорная кора с обеих сторон).
3. Зрительная сеть: медиальная, затылочная и латеральные подсети.
4. Сеть выявления значимости: передняя поясная кора, островок, ростральная префронтальная кора и супрамаргинальная извилина.
5. Дорсальная сеть внимания: фронтальное поле зрения и внутритеменная борозда.
6. Сеть исполнительного контроля (синоним: лобно-теменная сеть): дорсолатеральная префронтальная и задняя теменная кора с обеих сторон.
7. Речевая сеть: нижние лобные извилины и задние отделы верхней височной извилины с обеих сторон.
8. Мозжечковая сеть: передняя и задняя доли мозжечка.

Во многих работах для исследования внутри- и межсетевых связей используют метод построения нейросетей как анализ на основе зон интереса (ROI-анализ). Противоречивые результаты, получаемые при оценке коннективности головного мозга с использованием ROI-анализа, можно объяснить методологическими различиями, связанными со статистической обработкой данных фМРТ. Воспроизводимость научных результатов имеет большое значение для получения валидных научных данных. Главным образом различия наблюдаются при выборе метода статистического анализа нейросетей.

Наиболее популярными методами статистической обработки данных при ROI-анализе являются: параметрическая статистика на основе функциональной сетевой коннективности; непараметрическая статистика, основанная на анализе рандомизации/перестановки — пространственная парная кластеризация; непараметрическая статистика, основанная на улучшении беспорогового кластера [11].

На данный момент отсутствуют научные работы с применением нескольких методов статистической обработки к одному набору данных. В связи с этим является актуальным проведение исследования со сравнительной оценкой различных статистических методов ROI-анализа в обработке данных фМРТ в состоянии покоя.

Цель исследования — оценить функциональную связность основных нейросетей покоя головного мозга при ROI-анализе с применением различных статистических подходов.

МАТЕРИАЛЫ И МЕТОДЫ

Производился ретроспективный анализ реультатов 15 фМРТ-исследований в состоянии покоя головного мозга, взятых из базы данных кафедры рентгенологии и радиологии (с курсом ультразвуковой диагностики) Военно-медицинской академии. По результатам анализа отобраны МР-исследования пациентов без неврологической и психической патологии. Функциональное МР-сканирование выполнялось в отделении МРТ на сканере Phillips Ingenia 1,5 Tл. Изображения фМРТ в состоянии покоя были получены с использованием EPI-BOLD: время повторения (TR) = 3000 мс, время эха (TE) = 50 мс, поле зрения (FOV) = 250 мм, угол поворота (FA) = 90°, матрица = 128 × 128, толщина среза = 4 мм, зазор между срезами = 0,6 мм, 280 объемов. Т1-взвешенные данные высокого разрешения (структурные изображения) были получены с использованием последовательности 3D-TFE (TR = 7,5 мс, TE = 3,5 мс, FA = 8°, матрица = 256 × 256, толщина среза = 1,2 мм, объем 1).

Все данные были проанализировали с помощью нейровизуализационных программ MATLAB, CONN 21а, SPM 12 [12]. Предварительная обработка включала функциональное выравнивание и развертывание, коррекцию синхронизации срезов, прямую функциональную сегментацию и нормализацию в системе координат пространства Монреальского неврологического института, а также функциональное пространственное сглаживание с использованием ядра Гаусса шириной 8 мм. Выбросы (артефакты BOLD-сигнала) идентифицировались с помощью набора инструментов ART, если они отличались более чем на 3 стандартных отклонения от средней интенсивности изображения. Стратегия шумоподавления на базе анатомических компонентов (aCompCor) отсеивала ложные источники шума (например, физиологические) [13]. Затем была применена полосовая фильтрация с частотным окном 0,01–0,1 Гц.

После всех процессов предобработки выполнялся ROI-анализ для определения функциональной связности между нейросетями головного мозга. Она количественно определялась путем расчета корреляций (коэффициента корреляции Пирсона) между временными рядами изменения BOLD-сигнала по всему мозгу.

Для статистической обработки данных ROI-анализа нами применялись:

1. Метод функциональной сетевой коннективности (Functional Network Connectivity — FNC) на основе многомерной параметрической статистики [14]. Процесс начинается с определения интересующих сетей. Далее FNC анализирует весь набор связей между всеми парами ROI внутри и между сетями, выполняя многомерный параметрический анализ общей линейной модели всех соединений, входящих в каждый из этих наборов (кластеров) связей. Для окончательной оценки отдельных кластеров используется скорректированное p-значение с поправкой на ожидаемую долю ложных отклонений (коэффициент Бенджамини–Хохберга, FDR) на уровне кластера (p < 0,05) для выбора из всех наборов межсетевых подключений тех, которые считаются значимыми, вместе с нескорректированным p-значением порога высоты (уровня соединения) (p < 0,05), чтобы охарактеризовать структуру отдельных соединений в пределах каждого значимого набора.
2. Непараметрическая статистика на основе рандомизации/перестановки — пространственная парная кластеризация (Spatial Pairwise Clustering — SPC) [15]. Процесс начинается с матрицы, оцененной с использованием общей линейной модели. Сети в этой матрице сортируются либо вручную пользователем (например, из атласа), либо автоматически с использованием процедуры иерархической кластеризации [16]. Далее с помощью порога «высоты» (p < 0,001) определяется статистическая параметрическая карта. Полученные надпороговые области определяют серию непересекающихся кластеров. Каждый кластер характеризуется своей массой (суммой квадрата F- или T-статистики по всем соединениям внутри каждого кластера), затем они сравниваются с распределением ожидаемых значений массы кластера при нулевой гипотезе, которое численно оценивается с использованием множественных (1000 или более) итераций рандомизации/перестановки исходных данных. Для оценки отдельных кластеров используются нескорректированное p-значение на уровне кластера (p < 0,01) и p-значение с поправкой на ожидаемую долю ложных отклонений (FDR) на уровне кластера (p < 0,05) для выбора из всех кластеров тех, которые считаются значимыми.
3. Непараметрическая статистика на основе улучшения беспорогового кластера (Threshold Free Cluster Enhancement — TFCE) [17]. Подобно анализу пространственной парной кластеризации, TFCE начинается со всей матрицы, оцененной с использованием общей линейной модели, при этом сети снова сортируются либо вручную, либо автоматически. Вместо определения статистической параметрической карты с использованием порога высоты анализ продолжается путем вычисления соответствующей карты оценок TFCE, объединяя силу статистического эффекта для каждого соединения с размером всех кластеров. Затем ожидаемое распределение значений TFCE при нулевой гипотезе численно оценивается с использованием нескольких (1000 или более) итераций рандомизации/перестановки исходных данных. Для выбора из всех кластеров тех, которые считаются значимыми, применяется p-значение с поправкой на групповую вероятность ошибки (FWE) на уровне кластера (p < 0,05).

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

По результатам применения различных методов статистической обработки получены матрицы конннективности, позволяющие судить о меж- и внутрисетевых связях (рис. 1, 2). При использовании метода функциональной сетевой коннективности визуальная и сенсомоторная сети имеют положительные связи между собой и с сетью внимания и отрицательные — с сетями пассивного режима работы и исполнительного контроля (рис. 1). У сети внимания отмечаются положительные связи с сетями выявления значимости, визуальной и сенсомоторной; отрицательные — с сетями пассивного режима работы, исполнительного контроля, языковой и мозжечковой. Для мозжечковой сети данная связь единственная. Сеть выявления значимости взаимодействует с сетями внимания, исполнительного контроля и языковой, все связи имеют положительную корреляцию. Языковая сеть положительно функционально связана с сетями выявления значимости и исполнительного контроля и отрицательно — с сетью внимания. С сетью пассивного режима работы языковая сеть имеет связи как с прямой, так и с обратной корреляцией. Сети пассивного режима работы и исполнительного контроля связаны между собой, с сетями внимания, визуальной, сенсомоторной и языковой. Кроме того, сеть исполнительного контроля связана еще и с сетью выявления значимости.

 

Рис. 1. Матрица коннективности при использовании метода многомерной параметрической статистики на основе функциональной сетевой коннективности (FCN)

Fig. 1. Connectivity matrix using the method of multivariate parametric statistics based on functional network connectivity (FCN)

 

При применении методов непараметрической статистики выявлены следующие отличительные особенности в отличие от параметрического метода: визуальная, сенсомоторная сети и сеть внимания не имеют связей с сетями пассивного режима работы и исполнительного контроля (рис. 2). При этом у сети внимания отсутствует коннективность с языковой и мозжечковой сетями. Сеть пассивного режима работы связана только с сетью исполнительного контроля. Вышеописанные сети имеют одинаковую коннективность при SPС и TFCE, в остальных сетях, функциональная связность которых представлена в таблице, результаты разнятся.

 

Рис. 2. Матрица коннективности при использовании методов непараметрической статистики на основе: а — анализа рандомизации/перестановки — пространственная парная кластеризация (SPC); б — улучшения беспорогового кластера (ТFСЕ)

Fig. 2. Connectivity matrix using non-parametric statistics methods based on: а — randomization/permutation spatial pairwise clustering (SPC); б — threshold free cluster enhancement (TFCE)

 

Таблица. Коннективность нейросетей головного мозга при использовании методов непараметрической статистики Table. Connectivity of brain networks using nonparametric statistics methods
Нейросети покоя	SPС	TFCE
Сеть выявления значимости	Сеть внимания, языковая сеть, сеть исполнительного контроля	Сеть внимания, языковая сеть
Языковая сеть	Сеть выявления значимости, сеть исполнительного контроля	Сеть выявления значимости
Мозжечковая сеть	Сеть исполнительного контроля	–
Сеть исполнительного контроля	Мозжечковая сеть, сенсомоторная сеть, сеть внимания, языковая сеть, сеть пассивного режима работы	Сеть пассивного режима работы

 

Количество связей между структурами сетей головного мозга, зафиксированных при использовании метода функциональной сетевой коннективности, равно 280, пространственной парной кластеризации — 186, улучшения беспорогового кластера — 182. Интересный факт заключается в том, что отрицательные связи выявлены только при использовании параметрической статистики (рис. 3). Отрицательные корреляции несут важную информацию, так как они свидетельствуют об угнетении одной сети при активации другой. Об антикоррелированности сетей свидетельствует и набирающая популярность теория тройной сетевой модели [5].

 

Рис. 3. Пространственное изображение функциональных связей нейросетей покоя головного мозга при использовании методов статистики обработки: а, г — функциональная сетевая коннективность (FCN); б, д — анализ рандомизации/перестановки — пространственная парная кластеризация (SPС); в, е — улучшение беспорогового кластера (ТFСЕ)

Fig. 3. Spatial image of the functional connections of the resting state networks of the brain using processing statistics methods: а, г — functional network connectivity (FCN); б, д — randomization/permutation spatial pairwise clustering (SPC); в, е — threshold free cluster enhancement (TFCE)

 

В большинстве работ, связанных с изучением нейросетей головного мозга, авторы не указывают примененный метод статистической обработки. Разнонаправленные результаты данных фМРТ в состоянии покоя могут быть связаны с различными методическими подходами к ней. Как показано в нашей работе, выбор того или иного статистического метода к одному набору данных оказывает значительное влияние на результаты исследования.

Несмотря на большее количество связей, выявленных с помощью метода параметрической статистики, нельзя однозначно утверждать его преимущество перед непараметрическими методами. Остается неуточненным вопрос, какую информацию дадут рассмотренные методы при межгрупповой обработке, когда потребуется сравнить данные фМРТ пациентов с какой-либо патологией и контрольной группы, что требует дальнейших исследований в данном направлении.

ЗАКЛЮЧЕНИЕ

Несмотря на возрастающую в последние годы популярность фМРТ в состоянии покоя в исследовании функциональной активности и коннективности головного мозга, нет стандартизированных алгоритмов построения его нейросетей. Имеются различные методы анализа функциональной интеграции и сегрегации головного мозга, каждый из которых в итоге несет уникальную информацию. Вместе с тем каждый из этих методов имеет свои особенности в статистической обработке данных.

Метод функциональной сетевой коннективности на основе многомерной параметрической статистики позволяет определить большее количество функциональных связей по сравнению с непараметрическими методами. Важной особенностью данного метода является выявление связей с отрицательной корреляцией. В ходе нашего исследования cреди непараметрических методов пространственная парная кластеризация, основанная на анализе рандомизации/перестановки, оказалась информативнее метода, основанного на улучшении беспорогового кластера.

ДОПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯ

Источник финансирования. Финансирование данной работы не проводилось.

Вклад авторов. Все авторы внесли существенный вклад в проведение исследования и подготовку статьи, прочли и одобрили финальную версию перед публикацией.

Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с публикацией настоящей статьи.

Этическая экспертиза. Исследование выполнено в рамках диссертационного исследования и одобрено локальным этическим комитетом.

Об авторах

Шамиль Казимагомедович Абдулаев

Военно-медицинская академия

Автор, ответственный за переписку.
Email: izvestiavmeda@mail.ru
ORCID iD: 0000-0002-5126-4212
Россия, Санкт-Петербург

Дмитрий Андреевич Тарумов

Военно-медицинская академия

Email: izvestiavmeda@mail.ru
ORCID iD: 0000-0002-9874-5523

докт. мед. наук, доцент

Россия, Санкт-Петербург

Кирилл Валерьевич Маркин

Военно-медицинская академия

Email: izvestiavmeda@mail.ru
ORCID iD: 0000-0002-6242-1279
Россия, Санкт-Петербург

Александра Аркадьевна Устюжина

Военно-медицинская академия

Email: izvestiavmeda@mail.ru
ORCID iD: 0009-0003-7282-0163
Россия, Санкт-Петербург

Список литературы

Дополнительные файлы