学习connectomes的站点不变特征,以协调复杂的网络措施
Nancy R Newlin1, Praitayini Kanakaraj1, Thomas Li2
1Department of Computer Science, Vanderbilt University, Nashville, TN, USA.
Proceedings of SPIE--the International Society for Optical Engineering
|September 2, 2024
概括
这项研究引入了一种新的方法来协调多位点扩散MRI连接组数据. 这种方法有效地消除了特定地点的变异,同时保留了生物见解,例如大脑网络中与年龄相关的变化.
科学领域:
- 神经成像是一种神经成像.
- 计算神经科学是一种神经科学.
- 生物统计学 生物统计学
背景情况:
- 由于扫描仪和协议的可变性,多站点扩散MRI数据对连接组分析提出了重大挑战.
- 特定地点的信息混了将数据结合并获得强有力的生物见解的努力.
研究的目的:
- 开发一种数据驱动的方法,从多位点扩散MRI数据中分离位点不变的连接体特征.
- 保持相关的生物信息,如与年龄相关的网络变化,同时删除特定站点的文物.
主要方法:
- 开发了一个有条件的,变化的自编码模型,并增加了针对患者年龄和网络模块化的预测任务.
- 该模型构建了一个与成像位置无关的隐性空间,但与年龄和模块化相关.
- 该方法通过将VMAP和BIOCARD研究中的connectome数据投射到一个共同的网站域名来测试.
主要成果:
- 预计的网络模块化数据显示,在不同站点的统计学上,平均值相似 (p < 0.05).
- 在协调后,患者年龄和网络模块化之间的正相关性被成功保留了.
- 该模型证明了能够隔离不变位点特征并重新注入位点上下文的能力.
结论:
- 拟议的方法有效地协调了多位点扩散MRI数据,使得连接组分析更可靠.
- 这种方法促进了多样化的数据集的整合,同时保持了关键的生物关系.
- 这种技术有望推动大规模的神经成像研究和理解大脑衰老.
