拓优化的内在大脑网络

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.
• 网络科学 网络科学

背景情况:

• 准确估计主体级大脑网络对于理解大脑功能至关重要.
• 现有的群推理方法要么使用强烈的voxel-wise约束,要么没有约束,每个都有局限性.
• 强大的约束可以掩盖个体变化,并引入模型偏差.

研究的目的:

• 引入一种新的方法,即拓优化内在大脑网络 (TOIBN),用于改进主体级大脑网络估计.
• 作为软约束,利用集团级网络的拓信息.
• 为了在具有挑战性的条件下提高估计效率,例如噪音大数据或小样本大小,同时保持个体差异.

主要方法:

• 开发了拓优化内在大脑网络 (TOIBN) 框架.
• 利用组级网络的拓性质来创建高级空间约束.
• 应用这些约束来推断主体级大脑网络.

主要成果:

• 与不受约束的方法相比,TOIBN主题地图的噪音更低,与群组网络更一致.
• 该方法保留了对象特定的可变性,通常会在严格的语音限制下丢失.
• 来自TOIBN地图的拓性质有效地区分了精神分裂症患者与关键大脑网络中的控制者.

结论:

• TOIBN提供了一个平衡的方法,将基于约束的方法的好处与更大的灵活性相结合.
• 该方法提高了主体级大脑网络估计的准确性和稳定性.
• 在临床神经科学中,TOIBN有潜在的应用,特别是在精神疾病中识别神经差异.