Micro co-activation patterns analysis of resting-state fMRI data using hierarchical clustering method = 계층적 클러스터링 방법을 적용한 휴지기 상태 기능적 자기공명영상에서의 미세 공동 활성화 패턴 분석

국문 초록 (Abstract)

본 연구는 휴지기 상태 기능적 자기공명영상에서 동적 기능 연결성을 탐구하는 미세 공동 활성화 패턴 분석법에 결정론적 계층적 클러스터링을 적용하여, 기존의 K-평균 클러스터링에 의한 비결정론성과 재현성 한계를 극복하는 것을 목표로 한다. 총 참가자는 94명 (정상군 47명, 강박 장애 환자 47명)을 대상으로 강박 장애의 병태생리와 밀접한 관련이 있는 대뇌피질-선조체-시상-피질 회로의 핵심 구성 요소인 양측 꼬리핵을 시드로 선정하여 미세 공동 활성화 패턴 분석을 진행하였다. 비결정론적 K-평균 클러스터의 한계를 보완하기 위해 결정론적 계층적 클러스터링을 z-점수 행렬로 (6,581×22,560) 구성하여 적용하였다. 계층적 병합 군집 트리의 분석은 Ward’s 와 square Euclidean 계산법을 채택하여 병합 단계마다 클러스터 내 제곱합 증가를 최소화하였고, 덴드로그램 높이의 변화율이 최대가 되는 지점에서 최적의 클러스터 수를 4개로 채택하였고, K-평균의 최적의 클러스터 또한 거리 값 변화율이 최대가 되는 지점에서 최적의 클러스터 4개로 채택하였다. K-평균의 한계점을 검증하기 위해 동일한 데이터셋으로 검증한 결과, 초기 군집 중심을 무작위로 설정하는 알고리즘의 특성상 도출되는 거리 값이 달랐다. 그러나 계층적 클러스터링에서의 결과는 일관적인 높이 값이 도출되었다. K-평균 클러스터링의 한계를 검증한 결과에 따르면, 이론적으로 거리 값이 다를 경우 선택되는 프레임 수가 달라질 수 있으며, 이는 다른 구획화로 이어질 수 있다. 또한 미세 공동 활성화 패턴의 전이 지표에서 K-평균 기반에서는 정상군과 강박 환자 군 간 유의미한 차이가 관찰되지 않았지만, 계층적 클러스터링을 적용한 전이 지표에서는 유의미한 차이가 관찰되었다.

목차 (Table of Contents)

• 1. Introduction 1
• 2. Theory 3
• 2.1. Basic principle of functional MRI (fMRI) 3
• 2.2. K-means Clustering 5
• 2.3. Hierarchical Clustering 5
• 3. Method 6
• 3.1 Participants and image acquisition 6
• 3.2 Image preprocessing 7
• 3.3 Pipeline of μCAPs analysis 8
• 3.4 μCAPs analysis in Hierarchical Clustering 10
• 4. Result & Discussion 11
• 5. Conclusion 23
• 6. Reference 24