Mixed ICA and clustering method introduced to study the life span age and gender changes in the connectivity within the default mode network

The Default Mode Network (DMN) is the most studied of the resting state networks (RSNs) detected in resting state fMRI (rfMRI), since it is known to be deactivated by tasks and is hypothesized to play an important co-ordination role in cognition. As regards rfMRI data analysis, independent component analysis (ICA) allows to find pattern of activation common to a heterogeneous group of subjects in absence of an a priori hypothesis. However, this approach does not allow a within-network study of functional connectivity, thus a loss of important information in order to understand age and gender effects on physiological changes of functional connectivity. The aim of this thesis is to experiment and validate an innovative method able to explain evolution of the DMN sub-networks in regard to age and gender, exceeding the information loss with independent component analysis (ICA). In this work, we jointly used ICA to find common spatial patterns of coherent activity among all the subjects of the dataset and to extract the resting state networks (RSNs), and a clustering algorithm to further parcel the DMN into its anatomically different sub-networks. In this study, 110 healthy volunteers, between 6 and 79 years, were analyzed in order to evaluate brain functional changes across the lifespan, from the development process that happens in the first years of age, until the phenomenon that occur with ageing.

La default mode network (DMN) è la più studiata tra le resting state newtork (RSN), reti funzionali rilevate mediante risonanza magnetica funzionale in stato di riposo (resting state functional magnetic resonance imaging, rfMRI), dal momento che essa risulta disattivata durante l’esecuzione di un compito e si ipotizza che svolga un importante ruolo di coordinamento cognitivo. Per l’analisi di dati di rfMRI, uno tra i metodi più utilizzati è quello delle componenti indipendenti (independent component analysis, ICA) in quanto permette di trovare pattern di attivazione comuni ad un gruppo eterogeneo di soggetti senza formulare ipotesi a priori. Questo approccio, tuttavia, non permette di studiare la connettività funzionale interna ad ogni RSN, aspetto interessante da valutare per poter comprendere in che modo l’età e il genere influenzano i cambiamenti fisiologici di connettività funzionale. L’obiettivo di questa tesi è quello di studiare i cambiamenti di attivazione delle sotto-regioni della DMN e di connettività funzionale tra di esse, in relazione all’età e al genere, utilizzando un metodo innovativo che integri l’ICA. Il metodo proposto in questo lavoro ha pertanto previsto l’uso combinato dell’ICA per l’estrazione di RSN comuni al gruppo di soggetti analizzato, e di un algoritmo di clustering in grado di scomporre la DMN in sotto-regioni anatomicamente distanti tra di loro. Per questo studio è stato analizzato un gruppo di 110 soggetti sani di età tra i 6 e i 79 anni, di cui sono stati analizzati i cambiamenti funzionali dell’encefalo nell’arco della vita, valutandone i processi di sviluppo che avvengono nei primi anni di vita a quelli che si verificano a causa dell’invecchiamento.