Huttebraucker, Tomás G. (2021) Medidas de comunicación en redes cerebrales y su posible rol en la clasificación de patologías / Communication measures in brain networks and its possible role in the classification of pathologies. Proyecto Integrador Ingeniería en Telecomunicaciones, Universidad Nacional de Cuyo, Instituto Balseiro.
![[img]](/style/images/fileicons/application_pdf.png)
| PDF (Tesis) Español 5Mb |
Resumen en español
Según la OMS, alrededor de 1 de cada 7 personas adultas en el mundo sufre algún tipo de migraña. Los síntomas típicos de migraña incluyen dolor de cabeza moderado a intenso, sensibilidad a la luz o sonidos y mareos o náuseas. La migraña crónica implica la presencia de dolores de cabeza 15 o más días por mes, teniendo en al menos 8 de esos días, además, síntomas de migraña. Hasta el día de hoy, no se conoce la causa ni un tratamiento o medicamento efectivo contra esta enfermedad. Una de las formas de analizar el cerebro es mediante imágenes por tensor de difusión, que permiten capturar la cantidad de fibras nerviosas que hay entre diferentes regiones del cerebro. Esta información se suele representar en forma de una matriz de conexiones llamada conectoma que puede ser pensado también como una red compleja o grafo. En este trabajo se estudiaron diversas medidas que caracterizan a los distintos aspectos de la comunicación dentro de una red, con la idea de que la aplicación de estas medidas a redes cerebrales puede aportar a la mejor comprensión del fenómeno de la migraña. Para ello se cuentan con datos de redes cerebrales reales, obtenidas a partir de estudios de resonancia magnética en pacientes con migraña crónica y episódica y un grupo de control sano en los que se pudieron aplicar y estudiar estas medidas. Además de esto, se analizó la influencia del pruning, una práctica muy común en el análisis de redes cerebrales que consiste en la remoción de conexiones débiles por ser consideradas ruidosas, sobre el análisis de las medidas. Todo este estudio se realizó usando dos métricas diferentes para usar como función de mapeo de pesos w de la red a distancias, la métrica inversa f(w) = 1/w y la métrica inversa logarítmica f(w) = 1/log(1 + w). Se observó que el pruning afecta al conjunto de los 50 caminos más cortos de las redes cerebrales a partir de una densidad de conexión de 30% cuando se usa la métrica inversa logarítmica y no se observó que modifique al conjunto de los 50 caminos más cortos hasta densidades tan bajas como 15% cuando se usa la métrica inversa. Se observó que el valor del segundo autovalor de la matriz de acoplamiento de las redes es significativamente mayor para pacientes con migraña crónica que para los sujetos de control. Este valor está relacionado con la estabilidad de un estado sincronizado de la red. El resultado indica que un cerebro migrañoso tiene mayor facilidad para la sincronización que un cerebro sano. Se estudiaron varias medidas de comunicación, y se comenzó por eliminar aquellas medidas redundantes, pensando redundantes como muy correlacionadas. Como las medidas seleccionadas son vectores en un espacio de alta dimensionalidad (por la cantidad de nodos y conexiones de cada una de las redes), se hizo un análisis de PCA para encontrar las direcciones relevantes. Allí se buscaron diferencias entre la población sana y la migrañosa. En varias medidas se encontraron diferencias significativas. Se buscó luego cuáles regiones eran las principales responsables de estas diferencias. Se encontraron varios pares de regiones relevantes para las diferentes medidas, siendo el Giro Superior Frontal Izquierdo y el Giro Precentral Derecho el par de regiones que es relevante en la mayor cantidad de estas. Este resultado indica que la interacción entre estas regiones del cerebro se ve afectada en pacientes con migraña.
Resumen en inglés
According to the WHO around 1 in 7 adults in the world suffers from some type of migraine. Typical migraine symptoms include moderate to severe headache, sensitivity to light or sounds, and dizziness or nausea. Chronic migraine implies the presence of headaches during 15 or more days per month, with symptoms of migrainous characteristics at least during 8 of those days. To this day, the cause and an effective treatment or medication against migraine is not known. One of the ways to analyze the brain is by diffusion tensor imaging, which allows us to capture the number of neural bers between different regions of the brain. This information is usually represented as a connectivity matrix called connectome, which can also be thought of as a complex network or graph. In this project various measures which capture different properties of communication within a network were studied, with the idea that applying these measures to brain networks can contribute to a better understanding of the migraine phenomenon. For this, the measures were applied to data from real brain networks of chronic and episodic migraine patients as well as healthy controls, obtained from magnetic resonance imaging. Furthermore, we studied how the analysis is influenced by pruning, a common practice in brain network analysis which consists in the removal of weak connections, which are considered to be noisy. This whole study was conducted using two different metrics to map the networks connections weight w to distances: the inverse metric f(w) = 1=w and the inverse logarithm metric f(w) = 1=log(1 + w). We observed that pruning affects the set of 50 shortest paths of the networks for connection densities lower than 30% when using the inverse logarithm metric and no effect on the set of 50 shortest paths for connection densities as low as 15% was observed when using the inverse metric. The results show that the second eigenvalue of the coupling matrix of the networks is signicatively higher for patients with chronic migraine when compared to healthy controls. This measure is related to the stability of a synchronized state in the brain. This result indicates that a migrainous brain is more propense to synchronization than a healthy brain. Different communication measures were studied and the rst step was to identify and remove the ones considered redundant, in the sense of being highly correlated. Given that the measures are vectors which lie in a high dimensional space (due to the number of nodes and connections in a network), PCA was applied to nd the principal directions. In some of these directions signicant differences between healthy controls and migraine patients were found. A detailed analysis of the components allowed us to identify pairs of brain regions which are relevant for the differentiation between chronic migraine patients and healthy controls. The Left Superior Frontal Gyrus and the Right Precentral Gyrus were relevant in the largest number of measures. This result indicates that the interaction between these regions might be particularly important to understand the effects of migraine in the brain.
| Tipo de objeto: | Tesis (Proyecto Integrador Ingeniería en Telecomunicaciones) |
|---|---|
| Palabras Clave: | Neural networks; Redes neuronales; Brain; Cerebro; Pathology; Patología; [Migraine; Migraña] |
| Referencias: | [1] Purves, D., Augustine, G. Invitacion a la neurociencia. Panamericana, 2001. URL https://books.google.com.ar/books?id=jcIKAAAACAAJ. 2 [2] Hornak, J. The Basics of NMR. 1997. 2 [3] Sotiropoulos, S., Zalesky, A. Building connectomes using diffusion mri: Why, how and but. NMR in Biomedicine, 32, 05 2017. 3 [4] Mori, S. Three-dimensional tract reconstruction. En: Introduction to Diffusion Tensor Imaging, cap. 9. ELSEVIER, 2007. 4, 5 [5] Smith, R. E., Tournier, J.-D., Calamante, F., Conelly, A. Sift2: Enabling dense quantitative assessment of brain white matter 2 connectivity using streamlines tractography. NeuroImage, 119, 338-351, 2015. 4 [6] Goñi, J., et al. Resting-brain functional connectivity predicted by analytic measures of network communication. PLOS ONE, 8 (3), 1-10, 2014. 5, 16, 17 [7] Crofts, J., et al. Network analysis detects changes in the contralesional hemisphere following stroke. NeuroImage, 54, 161-169, 2011. 5, 15 [8] Planchuelo-Gómez, A., García-Azorín, D., L Guerrero, A., Aja-Fernández, S., Rodríguez, M., de Luis-García, R. Structural connectivity alterations in chronic and episodic migraine: A diffusion magnetic resonance imaging connectomics study. Cephalgia, 40 (4), 367{383, 2019. 6, 39, 45, 49 [9] Desikan, R., Segonne, F., Fischl, B., Quinn, B., Dickerson, B., Blacker, D., et al. An automated labeling system for subdiving the human cerebral cortex on mri scans into gyral based regions of interest. NeuroImage, 31, 968-80, 08 2006. 6 [10] Dijkstra, E. A note on two problems in connexion with graphs. Numerische Mathematik, 1, 269-271, 12 1959. 10 [11] Yen, J. Y. Finding the k shortest loopless paths in a network. Management Science, 17, 712-716, 7 1971. 11 [12] Goñi, J., Avena-Koenigsberger, A., Velez de Mendizabal, N., van den Heuvel, M. P., Betzel, R. F., Sporns, O. Exploring the morphospace of communication effciency in complex networks. PNAS, 111 (2), 833-838, 2013. 14 [13] Estrada, E., Hatano, N. Communicability in complex networks. Physical review. E, Statistical, nonlinear, and soft matter physics, 77, 036111, 04 2008. 15 [14] Crofts, J., Higham, D. A weighted communicability measure applied to complex brain networks. Journal of the Royal Society, Interface / the Royal Society, 6, 411-4, 02 2009. 15 [15] Avena-Koenigsberger, A., Misic, B., Hawkins, R., Gria, A., Hagmann, P., Goñi, J., et al. Path ensembles and a tradeo between communication effciency and resilience in the human connectome. Brain structure & function, 222, 01 2017. 15, 16, 22 [16] Arenas, A., Diaz-Guilera, A., Kurths, J., Moreno, Y., Zhou, C. Synchronization in complex networks. Physics Reports, 469 (3), 93-153, 12 2008. 17 [17] Fagerland, M. T-tests, non-parametric tests, and large studiesa paradox of statistical practice? BMC medical research methodology, 12, 78, 06 2012. 21 [18] Civier, O., Smith, R., Yeh, C.-H., Connelly, A., Calamante, F. Is removal of weak connections necessary for graph-theoretical analysis of dense weighted structural connectomes from diffusion mri? NeuroImage, 194, 03 2019. 24 [19] Stam, C. Nonlinear dynamical analysis of eeg and meg: Review of an emerging eld. Clinical neurophysiology : oficial journal of the International Federation of Clinical Neurophysiology, 116, 2266-301, 11 2005. 31, 48 [20] Tass, P., Rosenblum, M., Weule, J., Kurths, J., Pikovsky, A., Volkmann, J., et al. Detection of n:m phase locking from noisy data : Application to magnetoencephalography. Physical Review Letters, pags. 3291-3294, 10 1998. 31, 48 [21] Stramaglia, S., Angelini, L., Pellicoro, M., Hu, K., Ivanov, P. Eeg synchronization and migraine, 01 2004. 31, 48 |
| Materias: | Medicina > Física médica |
| Divisiones: | Gcia. de área de Investigación y aplicaciones no nucleares > Gcia. de Física > Física médica |
| Código ID: | 1112 |
| Depositado Por: | Tamara Cárcamo |
| Depositado En: | 05 Sep 2022 10:46 |
| Última Modificación: | 05 Sep 2022 10:46 |
Personal del repositorio solamente: página de control del documento
