时间fMRI大脑网络的拓辅助集群与缓解非神经多站点可变性的用例
Ahmedur Rahman Shovon1,2,3,4,5,6, Sidharth Kumar1, Gopikrishna Deshpande7,2,3,4,5,6
1Department of Computer Science, University of Illinois Chicago, Chicago, IL 60607, USA.
IEEE access : practical innovations, open solutions
|January 12, 2026
概括
拓数据分析 (TDA) 为fMRI数据中集群动态功能连接提供了强大的方法,克服了来自不同采样速率和非神经元器件的挑战. 这种基于TDA的管道增强了在各种扫描条件下对大脑连接分析的可靠性.
科学领域:
- 神经成像和计算神经科学
- 大脑连接分析分析
- 拓数据分析应用 拓数据分析应用
背景情况:
- 使用fMRI的动态功能连接分析对于了解随时间推移的大脑功能至关重要.
- 高维度和非神经元器件,例如不同的时间采样率,在fMRI数据分析中构成重大挑战.
- 现有的基于图形的动态连接方法对任意值选择敏感,限制了稳定性.
研究的目的:
- 为fMRI衍生动态功能连接开发一个强大的时间聚类管道.
- 为了应对高维度,非神经变异性和fMRI数据中不同采样率的挑战.
- 利用拓数据分析 (TDA) 来增强特征提取和大脑网络动态的集群.
主要方法:
- 开发了一个基于TDA的时间聚类管道,从动态功能连接中提取噪声不变的特征.
- 将管道应用于休息状态fMRI数据,来自316名被扫描不同时间采样周期的受试者.
- 将TDA管道的性能与直接时间序列集群,PCA-based集群和传统的网络分析与维度减少进行了比较.
主要成果:
- TDA管道表现出更大的稳定性,在相同主题的不同采样率中保持一致的集群数量.
- 在最佳集群数量 (59%) 和跨样本队列的集群解决方案之间的双相相似性 (74-77%) 中实现了更高的重叠.
- 在ADHD-200数据集上进行了验证,显示了跨站点和协议的一致集群模式,具有高稳定性 (>80%的相似性) 和更好的主体级动态分离.
结论:
- 通过TDA将网络拓纳入fMRI研究中显著提高时间聚类的可靠性.
- 基于TDA的管道为研究异质获取设置和多站点研究中的大脑动态提供了强大的框架.
- 这种方法有效地掩盖了非神经的变异性,并保留了真正的神经信号,改善了动态大脑连接的特征.
