Estimation of Intrinsic Connectivity Networks by Multivariate Empirical Mode Decomposition

Abstract

Functional brain mapping is based on electrical and haemodynamic changes occured in the brain. Blood oxeygenated level dependency (BOLD) signal can be non-invasively collected through the use of functional Magnetic Resonance Imaging (fMRI). Brain functional activity can also be observed in the absence of a given task. These activation patterns are named as brain resting state networks. The aim of this study is, to perform functional brain mapping using the coherence metrics between the decomposed BOLD time series insted of using the raw BOLD time series. Multivariate Emprical mode decomposition procedure is applied for the BOLD series decomposition. Limited number of anatomical locations are selected for node positions using anatomical templates. Further each subseries are used to compute the correlations in frequency domain as coherence values between the node points. By this way, spectral properties of subseries are investigated without imposing any a priori information. FMRI data were collected from 19 volunteers and the preprocessing steps are applied prior to analysis of spectral properties. Four subcomponents whose spectral peaks are determined at 0.007 Hz, 0.014 Hz, 0.03 Hz and 0.064 Hz were determined. In the first component, superior temporal gyrus and occipital lobe connections were exhibited which contribute to the functionality of the auditory and visual networks. Posterior and anterior cingulate areas that are the major parts of the default mode network were found to be present in the second component. In the third component, nodes of the attention network were observed with a center frequency of 0.03 Hz to 0.06 Hz. Additionally, connections of superior temporal gyrus were observed in the fourth component. 

Keywords

• Emprical Mode Decomposition,BOLD,functional brain network,Coherence

Çokdeğişkenli Ampirik Mod Ayrıştırımı ile İçsel Bağlantı Ağları Kestirimi

Abstract

Beyin fonksiyonlarının haritalanması, elektriksel aktivite ve hemodinamik bilgiler ışığında gerçekleştirilebilmektedir. Kanın oksijenlenmesine bağıl (BOLD) sinyali  girişimsel olmayacak şekilde fonksiyonel manyetik rezonans görüntülemesi (fMRG) ile elde edilebilmektedir. Herhangi bir mental görev gerçekleştirilmediği esnada bile beyin bölgelerinde aktivasyonlar izlenebilmektedir. Bu aktivasyon izgelerine dinlenim durumu beyin ağları  adı verilmektedir. Bu çalışmanın amacı, BOLD zaman serilerinin doğrudan kendilerini kullanmak yerine, dekompoze edimesi ile elde edilen alt zaman serilerinin birbirleri arasındaki koherans bilgisine dayanarak haritalama işlemi yapmaktır. Ayrıştırma işlemi için çokdeğişkenli ampirik mod dekompozisyonu kullanılmıştır (MEMD). Beyin dokusunda sınırlı sayıda düğüm bölgesi anatomik şablonlar yardımı ile belirlenmiştir. Belirlenen anatomik bölgelere ait zaman serileri girdi olarak kullanılmıştır. Her düğüm alt zaman serisinin diğer düğümlerin alt zaman serileri arasındaki koherans bilgisi hesaplanarak, frekans alanında korelasyonlar belirlenmiştir.  Böylece, herhangi bir önbilgi empoze edilmeden BOLD zaman serisinin alt bileşenlerinin spektral özelliklerinin incelenmesi sağlanmıştır.19 gönüllüden alınan dinlenim durumu fMRG verisi  önişleme tekniklerinin uygulanmasından sonra analiz edilerek spektral özellikleri incelenmiştir. Elde edilen dört farklı bileşenin zaman serilerinin spektral özellikleri 0.007, 0.014, 0.03 ve 0.064 Hz frekanslarında tepe değerler almıştır. Birinci bileşende işitsel fonksiyonların  ve görsel işlevlerin yürütülmesinde rol oynayan süperiyor temporal gyrus ve oksipital bağlantılar, ikinci bileşende varsayılan kip ağının önemli bileşenleri olan posteriyor ve anteriyor singulat izlenmişir. Üçüncü bileşende 0.03 Hz ile 0.06 Hz civarında dikkat ağının düğümleri gözlenmiştir. Dördüncü bileşende ise superiyor temporal girus bağlantıları baskın olarak izlenmiştir.

Keywords

• Ampirik Mod Dekompozisyonu,BOLD,fonksiyonel beyin ağları,Koherans

References

1. Friston, K.J., Frith, C.D., Liddle, P.F., Frackowiak, R.S.J. 1993. Functional connectivity: the principal component analysis of large (PET) data sets. J. Cereb. Blood Flow Metab. 13, 5–14.
2. S. Ogawa, T. M. Lee, A. R. Kay ve D. W. Tank, 1990. Brain magnetic resonance imaging with contrast dependent on blood oxygenation. Proc. NatI. Acad. Sci., 87(1990), 9868-9872.
3. Biswal, B., Zerrin Yetkin, F., Haughton, V.M., Hyde, J.S. 1995. Functional connectivity in the motor cortex of resting human brain using echo-planar MRI. Magn. Reson. Med. 34, 537–541,
4. H. Littow, A. A. Elseoud, M. Haapea, M. Isohanni, I. Moilanen, K. Mankinen, J. Nikkinen, J. Rahko, H. Rantala, J. Remes, T. Starck, O. Tervonen, J. Veijola, C. Beckmann ve Vesa J. Kiviniemi, 2010. Agerelated differences in functional nodes of the brain cortex – a high model order group ICA study. Frontiers in Systems Neuroscience 4(32)
5. Jeanne Langan, Scott J. Peltier, Jin Bo, Brett W. Fling, Robert C. Welsh ve Rachael D. Seidler, 2010. Functional implications of age differences in motor system connectivity. Frontiers in Systems Neuroscience, 4(17)June 2010
6. Li, S. J., Li, Z., Wu, G., Zhang, M. J., Franczak, M., ve Antuono, P. G. 2002. Alzheimer disease: evaluation of a functional MR imaging index as a marker. Radiology 225, 253–259.
7. Mohammadi, B., Kollewe, K., Samii, A., Krampfl, K., Dengler, R., and Munte,T. F. (2009). Changes of resting state brain networks in amyotrophic lateral sclerosis. Exp. Neurol. 217, 147–153.
8. X. Di, S. Zhu, H. Kin, P. Wang, Z. Ye, K. Zhou, Y. Zhuo and H. Rao Altered Resting Brain Function and Structure in Professional Badminton Players, 2(4), Brain Connectivity, 2012

9. S. Whitfield-Gabrieli ve A. Nieto-Castanon,Conn: A Functional Connectivity Toolbox for Correlatedand Anticorrelated Brain Networks”, Brain Connectivity, Vol 2, No 3, 2012, DOI: 10.1089/brain.2012.0073, 2012.
10. M.J. McKeown, S. Makeig, G.G. Brown, T.P. Jung, S.S. Kindermann, A.J. Bell, T.J. Sejnowski ,1998. Analysis of fMRI data by blind separation into independent spatial components. Human Brain Mapp. 1998; 6(3):160-88.
11. T. Zhang, P. Xu, L. Guo, R Chen, R. Zhang, H. He, Q. Xie, T. Liu, C. Luo ve D. Yao,2015. Multivariate empirical mode decomposition based sub-frequency bands analysis of the default mode network: a restingstate fMRI data study. Applied Informatics 2015 2(2) DOI: 10.1186/s40535-014-0005-z,
12. K.J. Friston, J. Ashburner, C.D. Frith, J.B. Poline, J. D. Heather, R.S. Frackowiak. 1995. Spatial registration and normalization of images. Human Brain Mapping. 1995:3:165-18,
13. Blair, R.C. & Karniski, W. (1993) An alternative method for significance testing of waveform difference potentials. Psychophysiology
14. S. R. Gohel ve Bharat B. Biswal, 2015. Functional Integration Between Brain Regions at Rest Occurs in Multiple-Frequency Bands. BRAIN CONNECTIVITY, 5(2015), 23-34.
15. M. N. Baliki, Baliki, A. R. Mansour, A. T. Baria, A. V. Apkarian ,1998. Functional Reorganization of the Default Mode Network across Chronic Pain Conditions. PLoS ONE 9(9): 1061 33.doi:10.1371/journal.pone.0106133 (2014)