从非线性fMRI连接中提取的网络表现出独特的空间变化和对精神分裂症患者和对照人群之间的差异的增强敏感性

科学领域:

• 神经成像是一种神经成像.
• 大脑的连接性 大脑的连接性
• 计算神经科学是一种神经科学.

背景情况:

• 功能磁共振成像 (fMRI) 研究通常使用线性方法来估计内在连接网络 (ICNs).
• 神经系统涉及复杂的非线性相互作用,对认知至关重要,并且在精神分裂症等疾病中发生变化.
• 现有的方法可能错过了大脑活动中的重要非线性关系.

研究的目的:

• 开发一种使用明确非线性全脑功能连接 (ENL-wFC) 来估计ICNs的新方法.
• 为了从非线性距离相关性模式中捕获独特的信息,线性方法错过了线性方法.
• 与线性ICNs (LIN-wFC) 相比,评估ENL ICNs的可靠性,稳定性和临床实用性.

主要方法:

• 将已转换的静态fMRI (rsfMRI) 数据转换为连接域,以计算ENL-wFC.
• 在ENL-wFC和LIN-wFC数据中应用独立组件分析 (ICA).
• 在健康对照组和精神分裂症患者中比较了ENL和LIN ICNs的可靠性,空间模式和区分能力.

主要成果:

• 根据 ENL ICN 的估计,其可靠性和稳定性高于 LIN ICNs.
• 空间梯度显示核心ICN区域的ENL重量更高,这表明非线性过程是网络功能的核心.
• 一个独特的ENL ICN将精神分裂症患者与对照者区分开来,与LIN ICN不同,特别是听觉,语言,感觉运动和自我参考网络.

结论:

• 新的ENL-wFC方法有效地量化了rsfMRI的ICN,揭示了超越线性方法的补充信息.
• 非线性连接模式对于理解ICN功能至关重要,并且对于临床应用可能更具信息性.
• 这种方法具有很大的潜力,可以推进临床功能连接分析和理解大脑疾病.