建立群体级大脑结构连接,在潜在空间建模下结合解剖学知识
Selena Wang1, Yiting Wang2, Frederick H Xu3
1Department of Biostatistics and Health Data Science, Indiana University School of Medicine, United States of America.
Medical image analysis
|September 7, 2024
概括
这项研究引入了属性告知大脑连接 (ABC) 模型,用于使用扩散MRI分析群体大脑结构连接. ABC模型通过结合解剖区域数据来增强分析,改善生物解释和识别阿尔茨海默病中的性别特异性标记.
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.
- 网络科学 网络科学
背景情况:
- 大脑的结构连接,来自扩散MRI,特征解剖组织.
- 当前的组级连接分析往往过于简化,忽视了网络拓和连接关联.
- 需要先进的方法来建模集体大脑连接,这些方法包含生物和解剖学信息.
研究的目的:
- 开发一种基于潜在空间的新型生成网络模型,用于估计群体级大脑连接.
- 将大脑区域的解剖学属性整合到连接模型中,以提高可信性和生物解释.
- 引入属性告知大脑连接 (ABC) 模型,用于优越的组级连接估计.
主要方法:
- 提出了一个基于潜在空间的生成网络模型,结合了解剖节点属性.
- 开发了一个贝叶斯马尔科夫链蒙特卡洛 (MCMC) 算法用于模型估计.
- 通过广泛的模拟和对阿尔茨海默病 (AD) 数据的应用来评估ABC模型.
主要成果:
- ABC模型为组级连接提供了一个可解释的潜空间.
- 整合解剖学知识改善了连接性估计,并揭示了共同变化的关系.
- 该模型在样本之外的结构连接方面表现出卓越的预测能力.
- 在AD受试者中确定了有意义的性别特异性网络神经标志物.
结论:
- 属性告知大脑连接 (ABC) 模型为群组级大脑连接分析的传统方法提供了显著的进步.
- 通过整合解剖学数据,ABC模型增强了生物解释性.
- 这种方法成功地确定了与阿尔茨海默病相关的特定性别的神经成像生物标志物.
