任务优化的大脑分片揭示了潜在的功能组织,用于增强基于连接的神经成像分类

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.
• 在神经科学中的机器学习

背景情况:

• 标准的大脑分片地图可能无法捕捉特定任务的功能组织.
• 最佳的大脑地图越来越被认为是依赖于上下文的.
• 现有的地图集可能会掩盖与特定认知任务或临床条件相关的关键功能架构.

研究的目的:

• 开发一种新的框架来生成针对任务的优化人类大脑分片地图.
• 为了验证最佳大脑图是上下文依赖的原则.
• 通过优先考虑一个地区的歧视性作用来揭示潜在的功能组织.

主要方法:

• 开发了一个监督学习框架,直接从目标中生成大脑分片.
• 通过根据它们对分类器决策边界的贡献相似性对大脑区域进行分组来定义功能块.
• 将该方法应用于人类连接组项目和阿尔茨海默病神经成像计划 (ADNI) 数据集.

主要成果:

• 任务优化的分片显著改善了认知状态解码和阿尔茨海默病分类.
• 揭示了标准地图所掩盖的任务相关信息的空间连贯,高分辨率地图.
• 证明了任务特异性和信号均性之间的权衡,优化的地图可以在数据集中进行概括.

结论:

• 目标驱动的大脑分片揭示了与任务相关的功能架构.
• 这种框架使得我们能够创建超越通用地图的特定环境的大脑地图.
• 优化地图为认知过程和疾病状态的功能架构提供了新的见解.