Correlation of functional and structural brain connectivity within resting state networks combining measures from independent component analysis and probabilistic tractography

Background and purpose: resting state functional MRI (rsfMRI) and tractography, derived from diffusion weighted imaging (DWI), are well-established modalities to investigate respectively functional connectivity (FC) and structural connectivity (SC) (van de Heuvel et al., 2009). The combined study of brain FC and SC is gaining increasing interest both in neuroscience and clinical practice since it discloses integrated information about gray matter (GM) and white matter (WM). Indeed, the existence of brain networks, whose correct activity depends on a perfect synergy between cortical areas and WM bundles, was proved (Cabral et al., 2014). Hence studying these networks as a whole may lead to better understand brain functionality not only in normal condition but also in pathological ones. The aim of this work was exploring the correlation between FC and SC in the default mode network (DMN), left lateral network (LLN) and right lateral network (RLN) within a healthy subject sample. Method overview: this study is based on two well-established approaches to FC and SC separated analysis, which are integrated in this way for the first time to our knowledge. Resting state networks (RSNs) were extracted at group level trough the classic blind-source separation method of spatial independent component analysis (ICA). By a novel approach, some of them were split into localized clusters, which represent the nodes of the addressed network. The strength of FC and SC correlation for the pairs of nodes was analyzed both, at single and group level. As to FC, single-subject rsfMRI signals were extracted through the dual regression method, based on the group clusters. FC link strength was hence individually derived by Pearson’s correlation coefficient. SC data were extracted from diffusion weighted imaging (DWI) which provides information about the local direction (or directions) of white matter (WM) fibers. Structural links were obtained using the clusters as seed/target ROIs for rsfMRI-guided probabilistic tractography. fMRI-guided tractography, in general, reconstructs virtual connections between gray matter (GM) ROIs, which in many cases are defined by the fMRI activation while in our case were set as the resting state network clusters. The probabilistic approach permits to overcome the limitations of the deterministic one, which is stopped by regions that present a more complex fiber structure than a unidirectional mainstream. Methods: the study was conducted in the MR Lab, IRCCS S. M. Nascente, Fondazione Don Carlo Gnocchi Onlus, Milano, using a 1.5 Tesla Siemens Magnetom Avanto (Erlangen,Germany) MRI scanner. Resting state fMRI and DWI data were acquired from twenty healthy right-handed voluntary subjects (mean age = 45.70 ± 11.53 years, 9 males) but one subject was excluded due to its DWI data low quality. After data processing performed according to Dipasquale et al. (2015), the RSN extraction was performed with group-ICA (model order = 30). DMN, RLN and LLN were selected and then divided into sub-networks defined as anatomically separated clusters. Within each RSN, single subject FC values were calculated with Pearson correlation coefficient (transformed in z-value) between all possible cluster pairs and stored in FC matrices. By averaging these values across subjects, a group FC matrix was obtained for each RSN. The pairs of clusters selected for the FC analysis were also used as seed and target regions in single subject probabilistic tractography. In details, for each pair of sub-networks two tracts were obtained by setting one cluster as seed and the other as target region and viceversa. Afterwards, these two tracts were normalized and then multiplied in order to obtain a "symmetric" single tract connecting the two regions of interest (ROIs). For each reconstructed "symmetric" tract the number of voxels above-threshold (0.02) was adopted as SC index (Khalsa et al., 2014) and stored in SC matrices. Averaging these values across subjects, a group SC matrix was obtained for each RSN. In order to evaluate tract consistency, group probabilistic maps were created for each bundle by averaging binarized tract images across subjects and thresholding them at three different values: 20%, 40%, 60%. For each pairs of ROIs, the mean intensity calculated on tract probabilistic maps was adopted as robustness index and stored in SC consistency matrices. Finally, in order to probe functional and structural networks relationship, FC and SC indexes were correlated by Pearson coefficient both at single and group level. Results: within each considered RSN, high values of FC were observed and all the pairs of sub-networks were found to be structurally connected by a tract or an ensemble of tracts. The majority of the identified bundles (4 of 18) were statistically robust across subjects. Combining FC and SC results, at single level we observed that 11 subjects presented a statistically significant FC-SC correlation especially in LLN and in RLN. This was corroborate by the group level analysis that showed a high FC-SC correlation mainly in the LLN and RLN. The DMN, instead, revealed high values of FC and SC separately but no correlation was found between them. Discussion and Conclusion: our results suggest that LLN and RLN are highly function-specific networks since direct structural links between their clusters reflect the functional communication existing between them. Within DMN, instead, the absence of correlation between FC and SC can be explained by additional and collateral fiber pathways which link DMN sub-networks. This result is consistent with the associative and integrative nature of DMN. In conclusion, in this study we proposed a useful approach to correlate FC and SC to deeply investigate the brain connectivity issue in its entirety. Our results suggest that a high SC reflects a strong communication level within RSNs but a high FC between different cortical regions does not imply a direct structural link.

Contesto e obiettivi dello studio: la risonanza magnetica funzionale a riposo (in condizione di “resting state”) e la trattografia, che si basa su neuroimmagini pesate in diffusione, sono tecniche consolidate di risonanza magnetica (RM) per indagare rispettivamente la connettività funzionale (CF) e la connettività strutturale (CS) del cervello (van de Heuvel et al,. 2009). Lo studio combinato di CF e CS sta acquisendo crescente interesse all'interno della comunità scientifica, sia nel campo della ricerca di base sia nella pratica clinica, in quanto consente di integrare le informazioni relative alla materia grigia e alla materia bianca. Infatti, è stato dimostrato che il cervello si organizza in reti, il cui corretto funzionamento dipende da una perfetta sinergia tra le aree corticali e i fasci di materia bianca (Cabral et al., 2014). Di conseguenza, lo studio combinato di queste strutture può consentire di capire meglio il funzionamento del cervello, non solo in condizioni normali ma anche in presenza di patologie neurologiche o psichiatriche. Lo scopo di questo lavoro era studiare, in un gruppo di soggetti sani, la correlazione tra CF e CS all'interno della Default Mode Network (DMN), della Left Lateral Network (LLN) e della Right Lateral Network (RLN). Panoramica sul metodo: questo studio si basa su due consolidati approcci relativi all'analisi separata di CF e CS, che, per nostra conoscenza, non sono stati integrati in questo modo in precedenza. Le resting state networks (RSNs) sono state estratte a livello di gruppo mediante l'analisi delle componenti indipendenti, metodo comunemente usato per effettuare tale procedura. Utilizzando un approccio innovativo, alcune di esse sono state divise in cluster, i quali costituiscono i nodi delle reti considerate. L'entità della correlazione tra CF e CS per le diverse coppie di nodi, è stata valutata sia a livello del singolo soggetto che a livello di gruppo. In merito alla CF, i segnali di ciascun soggetto sono stati estratti dai dati di RM funzionale a riposo con il metodo della dual regression, sulla base dei cluster ottenuti a livello di gruppo. L'entità del legame di CF è stata quindi calcolata mediante il coefficiente di correlazione di Pearson. I dati di CS sono stati ricavati dalle immagini pesate in diffusione che forniscono informazioni sulla/e direzione/i locale/i delle fibre di sostanza bianca. Le connessioni strutturali sono state ottenute utilizzando i cluster come regioni di interesse per la trattografia probabilistica. In generale, la trattografia guidata da risonanza magnetica funzionale ricostruisce fibre virtuali che collegano aree di materia grigia, le quali in molti casi sono definite a partire dall'attivazione a seguito dell'esecuzione di un compito o di un evento, mentre nel nostro caso sono state individuate a partire dalle RSNs. L'approccio probabilistico permette di superare i limiti dell'approccio deterministico, che si ferma in corrispondenza di regioni che presentano una struttura delle fibre più complessa rispetto al tradizionale modello unidirezionale. Metodo: Questo studio è stato condotto presso il laboratorio di risonanza magnetica della Fondazione Don Carlo Gnocchi Onlus, IRCCS Santa Maria Nascente di Milano, utilizzando uno scanner da 1.5 Tesla (Siemens Magnetom Avanto, Erlangen, Germania). Le immagini di risonanza magnetica funzionale in resting state e le immagini pesate in diffusione sono state acquisite su venti soggetti sani e destrimani (età media = 45,70 ± 11,53 anni, 9 maschi). Un soggetto è stato tuttavia escluso dalle successive analisi a causa della scarsa qualità delle rispettive immagini pesate in diffusione. Dopo avere effettuato una prima elaborazione dei dati grezzi, sono state estratte le mappe spaziali delle RSN. Esse sono state ottenute mediante un'analisi delle componenti indipendenti effettuata sui dati del gruppo, secondo il metodo proposto da Dipasquale et al. (2015) e impostando a 30 l'ordine del modello. La DMN, la RLN e la LLN sono state individuate e, successivamente, divise in sotto-reti, le quali sono state definite sulla base della loro separazione anatomica. All'interno di ogni RSN considerata, la CF è stata valutata per ciascun soggetto, calcolando tra tutte le possibili coppie di sotto-reti il coefficiente di correlazione di Pearson, trasformato poi in un indice di intensità z. I valori ottenuti sono stati organizzati in matrici di CF. Mediando i valori dei singoli soggetti, è stata costruita una matrice di CF di gruppo. Le coppie di sotto-reti utilizzate nelle analisi di CF sono state successivamente considerate anche come regioni seed e target per effettuare le analisi di trattografia probabilistica su ciascun soggetto. In particolare, per ogni coppia di sotto-reti, sono stati ottenuti due tratti diversi, a seconda di quale delle due regioni corticali fosse definita come seed o come target. In seguito, questi due tratti sono stati normalizzati e moltiplicati al fine di ottenere un unico tratto "simmetrico" che connettesse strutturalmente le due regioni di interesse. Per ogni tratto "simmetrico" ricostruito è stato adottato come indice di CS il numero di voxel sopra soglia (0.02) (Khalsa et al., 2014). I valori ottenuti sono stati quindi schematizzati in matrici di CS. Una media dei valori relativi ai singoli soggetti ha consentito di costruire una matrice di CS di gruppo per ogni RSN considerata. Al fine di valutare la consistenza statistica dei tratti individuati, sono state create delle mappe probabilistiche di gruppo per ciascun fascio. Esse sono state ottenute mediando le immagini binarizzate dei tratti relativi ai singoli soggetti e sogliando quindi, con tre diversi valori (20%, 40%, 60%). Per ogni coppia di sotto-reti, è stata calcolata l'intensità media sul tratto appartenente alle mappe probabilistiche. Tale intensità è stata adottata come indice di robustezza statistica e i valori ottenuti sono stati raccolti in matrici. Infine, per valutare il rapporto esistente tra reti strutturali e reti funzionali, gli indici di CF e di CS sono stati correlati tra di loro, sia a livello del singolo soggetto che a livello del gruppo, mediante il coefficiente di correlazione di Pearson. Risultati: All'interno di ciascuna RSN considerata, sono stati osservati elevati valori di CF e tutte le coppie di sotto-reti sono risultate essere strutturalmente collegate da un tratto o un insieme di tratti. Inoltre, la maggior parte dei fasci individuati (4 su 18) si sono rivelati statisticamente robusti. Combinando i valori di CF e CS ottenuti, a livello del singolo soggetto, abbiamo osservato che 11 soggetti presentavano una correlazione statisticamente significativa tra CF e CS, soprattutto all'interno della LLN e della RLN. Questo risultato è stato confermato dall'analisi a livello di gruppo, la quale ha evidenziato una forte correlazione tra CF e CS, soprattutto nella LLN e nella RLN. All'interno della DMN, invece, sono stati ottenuti alti valori di CF e di CS separatamente ma non è stata osservata alcuna correlazione tra di esse. Discussione e Conclusione: Questi risultati suggeriscono che la LLN e la RLN sono reti altamente funzione-specifiche e, dunque, i collegamenti strutturali diretti tra le loro sotto-reti riflettono pienamente la comunicazione funzionale esistente tra di esse. All'interno della DMN, invece, l'assenza di correlazione tra CF e CS può essere giustificata dalla presenza di percorsi aggiuntivi e fibre collaterali che collegano le sue sotto-reti. Questo risultato è coerente con la natura associativa e integrativa di questa rete. In conclusione, in questo studio abbiamo proposto un approccio per correlare CF e CS, utile per indagare il problema della connettività cerebrale nel suo complesso. I nostri risultati suggeriscono che un'alta CS riflette un forte livello di comunicazione all'interno della rete ma che un'alta CF tra diverse regioni corticali non implica necessariamente un legame strutturale diretto tra di esse.