Application of graph theory and community detection algorithms to functional and structural brain networks for differential diagnosis of bipolar disorder and major depressive disorder

The interest towards mental health has been growing more and more over the last few years, boosted by the consequences of the recent pandemic, which put under the spotlight the huge debilitating effects caused by these pathologies. In this work the focus is on major depressive disorder (MDD) and bipolar disorder (BP). We propose a robust, fully data-driven approach based on graph theory and subsequent community detection which allows to discriminate patients affected by mood disorders from healthy subjects (HC) starting from fMRI and DTI neuroimages. After properly preprocessing the data, the functional (FC) and structural (SC) connectivity matrices of each patient are obtained through atlas parcellation using the AAL3 as template for the 136 regions of interest (ROIs) considered. Then, multiple inter-patient similarity measures have been employed to obtain the weights associated to edges of the final graph, or group-based graph, where each node represents a different subject. Some of the similarity measures can be applied directly to the connectivity matrices while the others are graph-based and require an intermediate step of binarization. To enhance the presence of strong connections, all edges in the group-based graph with weight lower that a specific threshold are removed, and the community detection is performed on the resulting network. Moreover, the selection of all the methodological choices applied has been carried out through progressive thresholding studies while monitoring modularity as a representative metric for the quality of the results. Once the optimal framework has been identified, the associated partition is obtained and its statistical significance is evaluated applying the chi-squared test. The proposed methodology was capable of providing statistically significant partitions for the considered subjects when adopting both unimodal and multimodal approaches. Lastly, single-ROI ablation studies have been performed to assess how each individual brain region considered would impact the resulting clustering. Our results revealed that the most significant ROIs are mainly located in the frontal and temporal lobes, especially the areas of the anterior cingulate cortex (ACC), the orbitofrontal cortex (OFC), the amygdala, the temporal pole, and other subcortical areas like the thalamus and the substantia nigra.

L’interesse per la salute mentale è cresciuto costantemente negli ultimi anni, sostenuto anche dalle conseguenze portate dalla recente pandemia che ha messo in evidenza gli effetti debilitanti causati da queste patologie. In questo lavoro poniamo particolare attenzione al disturbo depressivo maggiore (MDD) ed al disturbo bipolare (BP) proponendo un approccio completamente data-driven basato sulla la teoria dei grafi e sulla identificazione di comunità che consente di discriminare i pazienti affetti da disturbi dell’umore da soggetti sani (HC) partendo da neuroimmagini fMRI e DTI. Dopo aver pre-elaborato i dati, le matrici di connettività funzionale (FC) e strutturale (SC) di ciascun paziente sono ottenute mediante la parcellazione del cervello in 136 zone di interesse (ROIs) utilizzando l’AAL3 come modello di riferimento. Successivamente, diverse misure di similarità inter-paziente sono state selezionate per ottenere i pesi associati alle connessioni del grafico finale, in cui ogni nodo rappresenta un soggetto diverso. Alcune di esse possono essere applicate direttamente alle matrici di connettività mentre altre sono a loro volta basate su grafi e richiedono un passaggio intermedio di binarizzazione. Per migliorare la qualità delle partizioni, tutte le connessioni nel grafico finale con un peso inferiore a una specifica soglia vengono rimosse e la rilevazione delle comunità viene eseguita sulla rete risultante. Inoltre, diversi studi a soglia progressiva sono stati condotti per determinare tutte le scelte metodologiche applicate, monitorando costantemente la modularità come metrica rappresentativa della qualità dei risultati. Una volta identificato il framework ottimale, viene ottenuta la partizione associata e la sua significatività statistica viene valutata applicando il test del chi-quadro. La metodologia proposta è stata in grado di fornire partizioni statisticamente significative per i soggetti considerati utilizzando approcci sia unimodali che multimodali. Infine, sono stati eseguiti studi di ablazione su singole ROIs per valutare l’impatto di ciascuna di esse. I nostri risultati hanno rivelato che le regioni più significative sono principalmente situate nei lobi frontale e temporale, in particolare nelle aree della corteccia cingolata anteriore (ACC), della corteccia orbitofrontale (OFC), dell’amigdala, del polo temporale, e in altre aree sottocorticali come il talamo e la substantia nigra.