深度线性矩阵近似重建与集成的BOLD信号无声化揭示可重复的等级性大脑连接网络从多频段多回声fMRI

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.
• 机器学习 机器学习

背景情况:

• 传统的功能磁共振成像 (fMRI) 难以完全捕捉大脑的层次模块化功能结构.
• 传统的功能连接重建方法缺乏详细网络映射所需的精度.

研究的目的:

• 开发和验证用于绘制脑连接网络 (BCN) 内的空间层次的先进方法.
• 利用新的fMRI技术和深度学习来改进大脑网络分析.

主要方法:

• 利用多带多回声 (MBME) fMRI 技术来提高时空分辨率和灵敏度.
• 采用深度线性矩阵近似重建 (DELMAR) 深度学习模型用于层次特征识别.
• 集成的多回声血氧化水平依赖 (BOLD) 信号与DELMAR集成的无声化,绕过传统的ME-ICA.

主要成果:

• 与标准的ME-ICA相比,DELMAR/Denoising/Mapping策略产生了更准确和可重复的等级BCN,其后是DELMAR.
• 在标准多频段 (MB) fMRI上,MBME fMRI在等级 BCN映射中表现出卓越的准确性和精度.
• 在BCN中确定可复制的空间层次结构.

结论:

• 使用MBME fMRI的新DELMAR/Denoising/Mapping策略在绘制大脑功能架构方面取得了重大进展.
• 这些发现有助于开发使用fMRI治疗神经和精神疾病的改善诊断和预后生物标志物.