通过基于网络的矩阵对矢量回归评估高通量结构神经成像预测器对全脑功能连接组结果的影响

科学领域:

• 神经成像是一种神经成像.
• 大脑网络分析 脑网络分析
• 在Connectomics上,我们提供了连接.

背景情况:

• 多模式神经成像数据分析对于理解大脑结构功能关系至关重要.
• 英国生物银行提供了一个大型数据集,用于调查结构成像 (SI) 和功能连接 (FC) 之间的复杂关联.
• 现有的方法在分析具有复杂结构功能关联的高维神经成像数据方面面临挑战.

研究的目的:

• 研究结构成像特征,特别是白质微结构完整性 (WMMI) 和皮质厚度对全脑功能连接体的影响.
• 开发和应用一种新的方法来识别系统地影响FC子网络的空间特定SI特征.
• 解决分析大规模,多式,高维度神经成像数据的方法差距.

主要方法:

• 开发了一种新的多层次子图提取方法 (密集的二分位与嵌套的单分位图) 集成到矩阵 (网络) 在矢量回归模型中.
• 将该方法应用于英国生物银行数据集,其中包括来自4242名参与者的多式联络神经成像数据.
• 评估了全脑WMMI和皮质厚度对静止状态FC的影响.

主要成果:

• 开发的方法有效地识别了影响FC子网络的SI特征的子集,同时最大限度地减少了假阳性.
• 发现在皮质脊髓管和下大脑小脚中的WMMI显著影响了功能连接.
• 这些WMMI特征对感觉运动,突出和执行大脑子网络产生了重大影响,平均相关性为0.81 ($p <0.001$).

结论:

• 这项研究成功地展示了一种用于分析多式联络神经成像数据的新方法,以揭示结构功能关系.
• 关键路径中的特定白质微观结构完整性显著调节主要大脑网络中的功能连接.
• 研究结果强调了WMMI对大脑网络功能的重要性,并为未来的神经成像研究提供了强大的分析框架.