功能性大脑连接的多尺度模式

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 大脑成像分析分析

背景情况:

• 大脑的信息处理涉及到多个尺度的本地和分布式功能.
• 当前的功能性大脑连接方法往往错过了跨度相互作用.
• 现有的方法使用有限模式或局部地块,无法捕捉多层次动态.

研究的目的:

• 引入多尺度概率功能模式 (mPFMs) 进行全面的大脑连接映射.
• 允许在不同尺度内和跨越不同尺度的功能连接的直接估计.
• 用脑成像数据提高个性化特征预测的准确性.

主要方法:

• 为功能性MRI (fMRI) 数据开发了数据驱动的多层贝叶斯模型.
• 创建了一个新的映射 (mPFMs),包括各种细粒度尺度上的模式.
• 使用模拟和真实世界英国生物库数据验证的mPFMs.

主要成果:

• mPFM成功地捕获了分布式大脑模式及其子组件.
• 这种新方法可以直接估计内部和跨规模的功能连接.
• 与标准技术相比,mPFM在预测个性化的特征方面获得了~900%的更高准确度.

结论:

• mPFMs代表了功能连接建模中的范式转变.
• 这种方法为预测特征和疾病提供了增强的fMRI生物标志物.
• mPFM提供了一个更完整的理解大脑信息处理跨尺度.