从静止状态fMRI的张量分解中学习皮层分片的图形
Yijun Liu1, Jian Li2,3, Jessica L Wisnowski4,5
1Ming Hsieh Department of Electrical and Computer Engineering, University of Southern California, Los Angeles, CA, USA.
bioRxiv : the preprint server for biology
|January 23, 2024
概括
这项研究介绍了Untamed,这是一个新的框架,将张量分解和图形学习集成为大脑分片化. 它创建了与大脑网络保持一致的功能更均的皮质区域,改进了现有的方法.
科学领域:
- 神经科学是一个神经科学.
- 脑部成像 脑部成像
- 计算生物学 计算生物学
背景情况:
- 皮层分片对于神经科学至关重要,通常使用静止状态fMRI (rsfMRI).
- 独立组件分析从rsfMRI中识别了重叠的功能网络.
- 在将不连接的皮层分片与大脑范围的网络相关联方面存在差距.
研究的目的:
- 开发一种新的框架,将皮质分片与大脑范围的功能网络联系起来.
- 创建与已识别的大脑网络相一致的近同质功能区域.
- 克服传统方法的局限性,假设统计独立性.
主要方法:
- 集成的纳斯卡 (3D张量分解) 与图形表示学习.
- 生产的皮质分片代表同质的功能区域.
- 利用rsfMRI数据进行网络识别和分片生成.
主要成果:
- 产生的分片在功能连接同质性方面与已建立的地图集相似或优于它们.
- 证明了与任务对比和建筑图的改进对齐.
- 实现了高自动化,以快速适应和定制分片生成.
结论:
- 无人框架成功地整合了张量分解和图形学习,用于高级皮质分片.
- 这种方法产生了与大脑网络一致的功能连贯的包裹.
- 无人化为认知和临床神经科学研究提供了一个自动化,可适应的工具,具有公开可用的资源.
