シードベース解析とは何か

要点

• シードベース解析は、あらかじめ決めた関心領域（seed ROI）の活動時系列を起点に、他の脳領域やボクセルの時系列とどれくらい一緒に変動するかを調べる機能的結合解析である。
• 典型的には fMRI の BOLD 時系列からシード領域の平均時系列を取り出し、全脳の各ボクセルまたは各 ROI との相関を計算し、相関マップや ROI 間結合行列として表す[1][2]。
• 得られるのは「活動の統計的共変動」であって、直接の白質線維、神経伝達、因果方向をそのまま示すものではない[3][4]。
• 結果はシードの選び方、前処理、頭部運動、呼吸・心拍、グローバル信号回帰、統計モデルに強く依存する[5][6][7]。
• 仮説が明確な研究では解釈しやすいが、探索的に全脳構造を発見したい場合は ICA、グラフ解析、全脳コネクトーム解析と組み合わせて考える必要がある[4][8]。

この記事で答える問い

1. シードベース解析は、fMRI データから何を計算しているのか。
2. 「シード」「ROI」「機能的結合」「相関マップ」は何を意味するのか。
3. シードベース解析の結果を、研究・臨床文脈でどこまで解釈してよいのか。
4. ICA、ROI 間解析、グラフ解析、有効結合とは何が違うのか。

まず結論

シードベース解析は、「ある脳領域を起点に、ほかの領域が同じ時間的ゆらぎをどれくらい共有しているか」を見る方法である。たとえば扁桃体をシードにすれば、扁桃体の BOLD 信号と前頭前野、海馬、視覚野などの BOLD 信号がどの程度相関するかを調べられる。安静時 fMRI では、課題をしていない状態でも運動野、視覚野、デフォルトモードネットワークなどに再現性のある共変動パターンが観察される[1][2]。

ただし、相関が高いことは「直接つながっている」「片方がもう片方を動かしている」「その領域が疾患原因である」という意味ではない。シードベース解析は、脳をネットワークとして読むための強力で直感的な入口だが、測っているのは BOLD 信号の統計的関係であり、神経活動そのものや因果関係ではない。

背景

シードベース解析の重要な出発点は、Biswal らによる安静時運動野の機能的結合研究である。彼らは、手指運動で同定した運動関連領域を起点に、安静中の低周波 BOLD ゆらぎが左右運動野などで相関することを示した[1]。これは、課題中の賦活だけでなく、安静時の自発的ゆらぎにも機能的ネットワーク構造が含まれるという見方を広めた。

その後、安静時 fMRI 研究では、デフォルトモードネットワーク、感覚運動ネットワーク、視覚ネットワーク、サリエンスネットワーク、中央実行ネットワークなど、多くの大規模ネットワークが報告されてきた[2][4]。シードベース解析は、この流れの中で「仮説を置いた領域から全脳の結合パターンを見る」方法として使われる。

基本概念

シード

シードとは、解析の起点にする脳領域である。解剖学的アトラス、先行研究で報告された座標、課題 fMRI の賦活ピーク、個人ごとに同定した機能領域などから決める。シードは単なる技術的入力ではなく、「どの領域を中心にネットワークを問うのか」という研究仮説の一部である。

たとえば「海馬と記憶ネットワークの関係」を問うなら海馬をシードにし、「扁桃体と情動制御」を問うなら扁桃体や前頭前野をシードにする。シードの大きさ、左右差、球形 ROI か解剖学的 ROI か、個人空間か標準空間かによって、結果は変わりうる。

機能的結合

機能的結合は、2つ以上の脳領域の活動が統計的に連動する関係を指す。fMRI では多くの場合、BOLD 時系列間の Pearson 相関、偏相関、回帰係数などで表す[3][8]。これは構造的結合とは違い、白質線維そのものを測るものではない。

seed-to-voxel と ROI-to-ROI

シードベース解析には大きく2つの形がある。

種類	何を比較するか	出力	向いている問い
seed-to-voxel	1つのシード時系列と全脳各ボクセル	全脳相関マップ	ある起点から全脳のどこが連動するか
ROI-to-ROI	シードまたは複数 ROI 同士	結合行列、ネットワーク表	仮説的な領域群の関係を比較したい

CONN toolbox などの代表的ツールは、シード-ボクセル相関、ROI-ROI 相関、偏相関、回帰、グラフ指標などを一連の機能的結合解析として実装している[7]。

仕組み

基本的な流れは次のようになる。

1. fMRI データを取得する。
2. 頭部運動補正、空間正規化、平滑化、ノイズ回帰、時間フィルタなどの前処理を行う。
3. シード ROI を定義する。
4. シード ROI 内の BOLD 時系列を平均して、代表時系列を作る。
5. 全脳各ボクセルまたは各 ROI の時系列と相関を計算する。
6. 相関係数を Fisher z 変換し、個人内・群間・条件間の統計解析に使う。
7. 結果を相関マップ、結合行列、群差マップとして解釈する。

数式で書けば、シード時系列を $s(t)$、あるボクセルまたは ROI の時系列を $x_i(t)$ とすると、代表的な指標は相関係数

$$r_i=\mathrm{corr}(s(t),x_i(t))$$

である。統計解析では、相関係数 $r$ をそのまま使うより、しばしば Fisher z 変換

$$z_i=\frac{1}{2}\ln \frac{1+r_i}{1-r_i}$$

を使う。これは相関係数の分布を正規分布に近づけ、群比較や回帰分析を扱いやすくするためである。

図解

上の図では、シード ROI の平均 BOLD 時系列を取り出し、全脳の各時系列と相関させ、相関マップへ変換する流れを示している。赤系の領域はシードと同じ方向に変動しやすい領域、青系の領域は逆方向に変動しやすい領域として表されることが多い。

重要なのは、この色分けが「神経線維の強さ」や「因果的な指令方向」を直接示すわけではない点である。相関マップは、測定条件、前処理、統計モデルを通じて得られた機能的結合の推定結果である。

臨床・研究との接続

研究では、シードベース解析は仮説検証に向いている。たとえば、うつ病研究で扁桃体-前頭前野結合を見る、統合失調症研究で視床-皮質結合を見る、アルツハイマー病研究で海馬やデフォルトモードネットワークの結合を見る、といった使い方がある。課題 fMRI と組み合わせれば、安静時の基盤ネットワークと課題中の反応性を比較できる。

臨床との接続では、結果を「診断マーカー」として単純化しないことが重要である。群平均では疾患群と対照群に差が見つかっても、個人診断にそのまま使えるとは限らない。年齢、薬物、睡眠、併存症、頭部運動、スキャナ差、解析パイプラインが結果に影響するためである[5][6]。

一方で、シードベース解析は症状をネットワーク水準で考える道具として有用である。単一部位の「活動が高い・低い」だけでなく、ある領域がどのネットワークと協調し、どのネットワークから分離しているかを考えることで、精神疾患のネットワーク仮説や介入前後の変化を検討しやすくなる。

よくある誤解

誤解1: 相関が高いなら直接つながっている

機能的結合は活動の共変動であり、直接の白質線維を意味しない。第三の領域からの共通入力、間接経路、全身性ノイズ、課題状態、覚醒度でも相関は生じる[3][4]。直接経路を問うなら拡散 MRI や解剖学的知見、有効結合モデルなどと組み合わせる必要がある。

誤解2: シードを変えても同じネットワークが見える

シードの位置、サイズ、左右差、個人差、アトラスの粒度によって結果は変わる。特に小さな皮質下領域や複数機能を含む大きな ROI では、平均時系列が異なるサブ領域の信号を混ぜることがある。

誤解3: 前処理は細部であり、結果の本質には影響しない

頭部運動は、短距離結合を増やし長距離結合を下げるなど、機能的結合に系統的な偽相関を作りうる[5]。また、グローバル信号回帰はノイズ除去に役立つ一方で、負の相関や群差の解釈に影響するため、研究目的に応じて明示的に報告する必要がある[6]。

誤解4: シードベース解析は探索にも万能である

シードベース解析は、シードを先に決めるため解釈しやすい。反面、予期しないネットワーク構造を発見するには向かない場合がある。探索的には ICA、全脳 ROI 間コネクトーム、グラフ解析、動的機能的結合などが補完的に使われる[4][8]。

関連ノート

確認済みの関連ノート:

• 構造的結合と機能的結合は何が違うのか
• 脳内ネットワークとは何か
• コネクトームとは何か
• グラフ理論は脳ネットワーク解析にどう使われるのか
• 有効結合とは何か
• デフォルトモードネットワークとは何か
• サリエンスネットワークとは何か
• 中央実行ネットワークとは何か
• 動的機能的結合とは何か

今後の作成候補:

• 機能的結合とは何か
• ROI解析とは何か
• 安静時fMRIとは何か
• ICAは脳ネットワーク解析にどう使われるのか
• グローバル信号回帰とは何か
• 頭部運動はfMRI解析にどう影響するのか

MOC更新候補:

• content/00_MOC/MOC：脳・神経科学.md の脳画像・神経計測または神経回路・脳ネットワーク項目に追加する候補。
• 並列ジョブとの競合を避けるため、このタスクでは MOC 本体は更新しない。

理解チェック

1. シードベース解析における「シード」とは何か。
2. seed-to-voxel 解析と ROI-to-ROI 解析は、出力と問いがどう違うか。
3. 機能的結合が高いことを、直接の構造的結合や因果方向とみなせない理由は何か。
4. 頭部運動やグローバル信号回帰が、なぜ結果解釈に重要なのか。
5. シードベース解析と ICA、グラフ解析はどのように使い分けるとよいか。

未解決問題

• 個人ごとに最適なシードをどう定義すれば、群比較と個人差解析を両立できるのか。
• BOLD 相関から神経活動、血管反応、覚醒度、呼吸・心拍成分をどこまで分離できるのか。
• 疾患群で見つかる機能的結合差を、症状、認知機能、薬物、発達、病態機序のどれに対応づけられるのか。
• シードベース解析、ICA、グラフ解析、有効結合モデルを、臨床的に解釈可能な形で統合するにはどうすればよいか。

参考文献

[1] Biswal, B., Yetkin, F. Z., Haughton, V. M., & Hyde, J. S. (1995). Functional connectivity in the motor cortex of resting human brain using echo-planar MRI. Magnetic Resonance in Medicine, 34(4), 537-541. https://doi.org/10.1002/mrm.1910340409

[2] Fox, M. D., & Raichle, M. E. (2007). Spontaneous fluctuations in brain activity observed with functional magnetic resonance imaging. Nature Reviews Neuroscience, 8, 700-711. https://doi.org/10.1038/nrn2201

[3] Van Dijk, K. R. A., Hedden, T., Venkataraman, A., Evans, K. C., Lazar, S. W., & Buckner, R. L. (2010). Intrinsic functional connectivity as a tool for human connectomics: Theory, properties, and optimization. Journal of Neurophysiology, 103(1), 297-321. https://doi.org/10.1152/jn.00783.2009

[4] Smith, S. M., Vidaurre, D., Beckmann, C. F., Glasser, M. F., Jenkinson, M., Miller, K. L., et al. (2013). Functional connectomics from resting-state fMRI. Trends in Cognitive Sciences, 17(12), 666-682. https://doi.org/10.1016/j.tics.2013.09.016

[5] Power, J. D., Barnes, K. A., Snyder, A. Z., Schlaggar, B. L., & Petersen, S. E. (2012). Spurious but systematic correlations in functional connectivity MRI networks arise from subject motion. NeuroImage, 59(3), 2142-2154. https://doi.org/10.1016/j.neuroimage.2011.10.018

[6] Murphy, K., & Fox, M. D. (2017). Towards a consensus regarding global signal regression for resting state functional connectivity MRI. NeuroImage, 154, 169-173. https://doi.org/10.1016/j.neuroimage.2016.11.052

[7] Whitfield-Gabrieli, S., & Nieto-Castanon, A. (2012). Conn: A functional connectivity toolbox for correlated and anticorrelated brain networks. Brain Connectivity, 2(3), 125-141. https://doi.org/10.1089/brain.2012.0073

[8] Friston, K. J. (2011). Functional and effective connectivity: A review. Brain Connectivity, 1(1), 13-36. https://doi.org/10.1089/brain.2011.0008