从ICA中估计动态功能网络连接梯度 (dFNG) 的方法捕获了顺的网络间调制
Najme Soleimani1, Armin Iraji1, Theo G M van Erp2
1Tri-Institutional Center for Translational Research in Neuroimaging and Data Science (TReNDS), Georgia State University, Georgia Institute of Technology, and Emory University, Atlanta, Georgia, USA.
这项研究引入了一种新的动态功能网络连接梯度 (dFNG) 分析,以更好地了解随时间推移的大脑功能. 该方法揭示了与健康对照组相比,精神分裂症患者的不同大脑网络模式,为功能性大脑失联提供了新的见解.
科学领域:
- 神经科学是一个神经科学.
- 脑部成像 脑部成像
- 网络分析 网络分析
背景情况:
- 动态功能网络连接 (dFNC) 分析对于了解随时间推移的大脑功能至关重要.
- 当前的dFNC方法通常使用固定的空间地图,限制了动态脑网络变化的捕获.
- 在精神分裂症 (SZ) 中观察到功能性失联,但其神经支需要进一步阐明.
研究的目的:
- 介绍一种新的dFNC方法,该方法可以动态重新排序空间组件,以优化平滑的功能连接梯度 (dFNG).
- 将这种dFNG分析应用于精神分裂症 (SZ) 和健康对照 (HC) 患者的静止状态fMRI数据.
- 为了确定静态和动态功能连接梯度的群体差异.
主要方法:
- 开发了一种动态功能网络连接梯度 (dFNG) 分析方法,包括静态 (sFNG) 和动态总结.
- 利用了来自151名SZ患者和160名HC患者的静止状态fMRI数据.
- 应用空间约束的独立组件分析 (ICA) 来提取53个内在连接网络 (ICN) 和计算梯度分析.
主要成果:
- 静态分析显示SZ患者皮下,听觉和视觉网络的连接性发生变化.
- sFNG分析揭示了在皮层下和小脑领域的明显的集群模式和群体差异.
- dFNG分析表明,SZ患者更喜欢特定的网络状态 (例如,SC/CB),并且与HC相比表现出改变的梯度同步.
结论:
- 该dFNG方法提供了一个比传统的dFNC更全面的时间空间总结大脑活动.
- 结果强调了精神分裂症患者独特的大规模脑网络动态.
- 这种方法为研究功能性大脑失联和大脑网络调制提供了一个新的视角.
更多相关视频
07:12Using Informational Connectivity to Measure the Synchronous Emergence of fMRI Multi-voxel Information Across Time
Published on: July 1, 2014
08:36Dynamic Inter-subject Functional Connectivity Reveals Moment-to-Moment Brain Network Configurations Driven by Continuous or Communication Paradigms
Published on: March 21, 2019
相关概念视频
One-Compartment Open Model: Wagner-Nelson and Loo Riegelman Method for ka Estimation
On...
Network Function of a Circuit
