Complexity changes in neuroimaging signals point to mechanisms of neuropsychiatric disease

Abstract

The past decade has seen several attempts to employ the entropy of neuroimaging signals as a potential biomarker for cognitive decline or traumatic brain injury (C. Y. Liu et al. 2013; Adhikari et al. 2017; Li et al. 2018). Not all these studies properly account for the distributed nature of cognition, however, which raises the possibility of erroneous estimates of global entropy. This thesis proposes a novel means of estimating the complexity of Fmri signals and demonstrates its efficacy in detecting the effects of psychiatric disease on neuroimaging signals. The method determines the minimum number of orthogonal dimensions necessary to capture nonrandom signal dynamics, then projects the dynamic functional connectivity signal into the resultant low- dimensional space. In this space, the dynamic functional connectivity signal’s entropy may be estimated along each dimension independently and summed to find the total entropy per subject, thus avoiding the need to estimate interregional effects. Tests on two independently collected datasets indicate that this pipeline can distinguish between healthy controls and psychiatric patients, and that a Hopf bifurcation-based effective connectivity model is able to recover meaningful differences between control and patient groups when trained in this space.

La última década ha sido testigo de varios intentos de emplear la entropía de las señales de neuroimagen como un biomarcador potencial para el deterioro cognitivo o la lesión cerebral traumática (C. Y. Liu et al. 2013; Adhikari et al. 2017; Li et al. 2018). Sin embargo, no todos estos estudios explican adecuadamente la naturaleza distribuida de la cognición, lo que plantea la posibilidad de estimaciones erróneas de la entropía global. Esta tesis propone un medio novedoso para estimar la complejidad de las señales de fMRI y demuestra su eficacia en la detección de los efectos de la enfermedad psiquiátrica en las señales de neuroimagen. El método determina el número mínimo de dimensiones ortogonales necesarias para capturar la dinámica de la señal no aleatoria, luego proyecta la señal de conectividad funcional dinámica en el espacio resultante de baja dimensión. En este espacio, la entropía de la señal de conectividad funcional dinámica puede estimarse a lo largo de cada dimensión de forma independiente y sumarse para encontrar la entropía total por sujeto, evitando así la necesidad de estimar los efectos interregionales. Las pruebas en dos conjuntos de datos recopilados de forma independiente indican que esta tubería puede distinguir entre controles sanos y pacientes psiquiátricos, y que un modelo de conectividad efectiva basado en la bifurcación de Hopf puede recuperar diferencias significativas entre los grupos de control y pacientes cuando se entrena en este espacio.