连接性超对齐 (CHA) 对大脑估计网络属性的影响:从粗度到细度
Farzad V Farahani1, Mary Beth Nebel2,3, Tor D Wager4
1Department of Biostatistics, Johns Hopkins University, Baltimore, MD, USA.
bioRxiv : the preprint server for biology
|September 10, 2024
概括
连接性超对齐 (CHA) 在功能大脑网络分析中提高了主体间的相似性. 这种方法通过解决功能失调,甚至在微细的空间尺度上,增强了人口层面的推断.
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.
背景情况:
- 功能磁共振成像 (fMRI) 的进步使得人口水平的大脑模型成为可能.
- 尽管进行了预处理,但个体间的功能失调仍然存在,阻碍了可靠的推断.
- 这种失调会降低预测模型的功率和特异性.
研究的目的:
- 为了评估连接性过度对齐 (CHA) 解决功能失调.
- 评估CHA对多个空间尺度上的功能大脑网络拓学的影响.
主要方法:
- 在各种空间尺度 (从小块到顶点水平) 上应用CHA到fMRI数据.
- 分析了估计的功能大脑网络拓学的变化.
主要成果:
- CHA显著改善了受试者之间的功能相似性.
- 个人特有的信息和特质被保留在更细微的细粒度.
- CHA显示出用于细粒度连接性分析的潜力.
结论:
- 在fMRI数据中,CHA有效地减轻了功能失调.
- 这种方法提高了人口层面的神经成像研究的可靠性.
- CHA促进了对大脑结构功能关系的更深入的探索.
