Analysis of brain connectivity in fMRI: a Deep Learning approach

Abstract

The brain functional connectivity extracted from rs-fMRI has been used as a powerful tool to study the different networks in the brain. This neuronal network, found in normal condition, can be associated to different cognitive processes. The applicability of these networks in the future is promising, since is a greater technique to study the effects of several diseases or even treatments on normal brain functional connectivity. Firstly, this question should be addressed: are these networks possible to be described and to be used as features to classify a group or a particular subject?. In order to answer this question, it was settled the use of a Machine Learning method, which has been developed great advances in the recent years, due the good performances in the Deep Learning (DL) method. Therefore, it was created a workflow since the beginning, started with data acquisition until the application of DL methods and the process of creation and fine-tune of these models. In the end, several studies using the functional connectivity were done, namely the assessment of the brain functional connectivity to be used as a “fingerprint”. Additionally, it were performed some tests regarding the groups’ classification. After settled the correct approach and validate the DL framework, the “fingerprint” study showed a great improvement on impairment classification, even for simple models. We proved that rs-fMRI can be use in research field to identify singular brain patterns as well as the differences between the subjects, which could be applied as group differentiator in a population.

A conectividade funcional cerebral extraída de imagens de rs-fMRI demonstrou um potencial adquirido no estudo das diferentes redes existentes no cérebro. Relativamente a estas redes, estas são associadas a diferentes processos cognitivos e sensoriais, ou até simplesmente ao funcionamento normal do cérebro. O uso promissor destas redes é acrescido quando aplicado ao estudo de efeitos de diversas doenças, ou até tratamentos que afetam a normal conectividade funcional cerebral. Mas, primeiramente, surge a questão: são estas redes possíveis de serem descritas e usadas como características para classificar um determinado grupo ou um indivíduo em particular?. Assim, para responder à questão proposta foi definido o uso de um método de Machine Learning com grandes avanços nos últimos anos devido ao bom desempenho – o método de Deep Learning (DL). Foi então criado um fluxo de trabalho desde a aquisição de dados à aplicação de métodos de DL, seguido de uma framework que lida com o processo de criação e ajuste dos parâmetros dos modelos DL. Posteriormente foram feitos diversos estudos usando a conectividade funcional, estática e dinâmica, para nomeadamente estudar se a conectividade funcional cerebral pode ser usada como “impressão digital” e se tem melhor desempenho que outros métodos já aplicados neste tipo de estudo. Adicionalmente, foram realizados alguns testes relativamente à classificação e regressão de grupos. Em conclusão, foi constatado e validado que esta abordagem e esta framework de DL são boas escolhas. No estudo da “impressão digital”, os resultados melhoraram imenso, mesmo usando modelos simples. Consequentemente, foi provado que a rs-fMRI pode ser usada para estudos de padrões singulares do cérebro e nas diferenças entre sujeitos, o mesmo aplicado à classificação em grupo na distinção dos mesmos.