Non-negative matrix factorization as a tool for fMRI analysis of dynamicity and individuality of functional networks

Abstract

Functional magnet resonance imaging (fMRI) scans provide detailed information of brain activities and are analysed in this work using Non-negative Matrix Factorization (NMF) resulting in a parcellation of the brain that is highly reproducible and interpretable. These regions represent areas that display functional similarity. NMF creates individual-specific results that are compared within the same subject and across different subjects. The individualized results demonstrate high within-subject reproducibility (correlation = 0.89) and high across-subject variability (correlation = 0.74) as well as a significant difference (p < 0.001). In this context values for individuality and dynamicity are calculated and the relation to known regions is established to enable a comparison to state of the art research. The individualized results are used to create a prediction model capable of predicting the brain activation of different tasks using solely resting-state data. The prediction quality of the model is dependant on the task (correlation of prediction to actual activation of 0.3 - 0.6) with high levels of significance (p < 0.001) for all but one task. The coefficients of individuality and dynamicity are used to train a linear model predicting fluid intelligence. The coefficient of individuality yields the best predictive power (correlation of actual and predicted value of 0.32).

Funktionelle Magnetresonanztomographie (fMRT oder fMRI) liefert detaillierte Information über die Gehirnaktivität, die in dieser Arbeit mit Nicht-negativer Matrixfaktorisierung (NMF) analysiert wird. Das Ergebnis ist eine Einteilung des Gehirns in Regionen, welche reproduzierbar und interpretierbar ist. Diese Regionen spiegeln Einheiten wider, die sich funktional ähnlich verhalten. NMF erzeugt für jede Testperson individualisierte Ergebnisse, welche innerhalb derselben Person (within) und gegenüber den anderen Personen (across) verglichen werden. Der Vergleich zeigt eine hohe within Reproduzierbarkeit (Korrelation = 0.89) und hohe across Variabilität (Korrelation = 0.74) mit einem signifikanten Unterschied (p < 0.001). In diesem Kontext werden Werte für die Individualität und Dynamizität berechnet und zu bekannten Regionen in Bezug gesetzt um den Vergleich zur State-of-the-Art Forschung zu ermöglichen. Die individualisierten Ergebnisse werden verwendet um ein Vorhersagemodell zu erstellen, das die Hirnaktivierung während verschiedenen Aufgaben ausschließlich mit Daten im Ruhezustand verhersagen kann. Die Qualität der Vorhersage ist abhängig von der jeweiligen Aufgabe (Korrelation zwischen tatsächlicher und vorhergesagter Aktivierung 0.3 - 0.6) wobei die Signifikanz für alle Aufgaben außer einer hoch ist (p < 0.001). Die Koeffizienten der Individualität und Dynamizität werden verwendet um ein lineares Modell zu trainieren welches exemplarisch fluide Intelligenz vorhersagt. Die besten Ergebnisse liefert hier der Koeffizient der Individualität (Correlation zwischen tatsächlichem und vorhergesagtem Wert 0.32).