Modular structure of functional brain networks during movie viewing and rest

Abstract

Network science has successfully shed light on the large-scale structure of various complex systems, such as social networks and the Internet. One area of study where the concepts and tools of network science are increasingly applied, is the analysis of brain imaging data, where the goal is to better understand the structure and function of the human brain. fMRI is a brain imaging modality that produces data that is more and more commonly approached from the network perspective. fMRI data itself consists of time series of activations of 3D voxels. Because of this, the data have to be transformed to a meaningful network representation, which involves a number of challenges. One of the challenges is to decide what the nodes of a functional brain network should represent - e.g. voxels, data-driven aggregations of voxels, or anatomical brain areas. There is probably no perfect solution to this problem. In this work, we approach the problem by analyzing functional brain networks both at the level of nodes corresponding to individual voxels and at the level of network modules, which are obtained using data-driven methods for network partitioning. As a test bed for our approach, we use data from fMRI scans of 13 subjects in two experimental conditions, where the subjects are either viewing a movie or resting. In this work we will focus on highlighting how the different conditions are rejected on the differences in the module-level network structure. Based on our analysis, we conclude that data-driven network partitioning can greatly help in understanding the network structure. Especially, we find that the network coarse-graining approach developed in this Thesis is useful in unveiling the overall topology of fine-grained functional brain networks.

Verkostotiede on auttanut ymmärtämään monien kompleksisten systeemien, kuten esimerkiksi sosiaalisten verkostojen ja Internetin, yleistä rakennetta. Yksi tutkimusala, jossa verkostotieteen käsitteitä ja työkaluja käytetään enenevissä määrin, on aivokuvantamisdatan analyysi, jonka tavoitteena on ymmärtää paremmin aivojen rakennetta ja toimintaa. Funktionaalinen magneettikuvantaminen (fMRI) on aivokuvantamismetodi, jonka tuottamaa dataa on usein lähestytty verkostoanalyysin näkökulmasta. Tämä data koostuu itsessään 3D-vokseleiden aktivaatioaikasarjoista, minkä vuoksi se täytyy muuntaa verkostopresentatioon. Tähän muunnokseen liittyy lukuisia ongelmia. Yksi haasteista on määritellä, mitä verkoston solmut tarkkaan ottaen kuvaavat - vokseleita, niistä datalähtöisesti koostettuja aggregaatteja, vai anatomisia aivoalueita. Tälle ongelmalle on tuskin olemassa täydellistä ratkaisua. Tässä työssä ongelmaa lähestytään analysoimalla verkostoja sekä vokseleiden että datalähtöisesti rakennettujen moduulien tasolla. Lähestymistapaa testataan fMRI-datalla, joka koostuu 13 ihmisen kuvantamisdatasta kahdessa eri tapauksessa, joissa ihmiset joko katsovat elokuvaa tai lepäävät. Työssä keskitytään erityisesti näyttämään, kuinka nämä eri mittausolosuhteet heijastuvat eroihin funktionaalisten aivoverkkojen moduulitason rakenteessa. Analyysin perusteella tullaan siihen päätelmään, että verkkojen datalähtöinen partitiointi voi auttaa merkittävästi niiden kokonaisrakenteen hahmottamisessa. Erityisesti työssä kehitetty menetelmä verkkojen karkeistamiseksi osoittautui hyödylliseksi funktionaalisten aivoverkkojen rakenteen ymmärtämisessä.