HONeD-in on Brain Activity:从功能性大脑信号在结构网络上的被动扩散解构

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 网络科学 网络科学

背景情况:

• 大脑区域表现出专门的功能,并通过白质网络进行通信.
• 被动扩散模型解释了显著的功能连接,这对隔离活跃的大脑过程构成了挑战.
• 区分主动神经信号与被动信号传播对于理解大脑功能至关重要.

研究的目的:

• 开发一种方法来隔离功能性MRI (fMRI) 中被动扩散的活性大脑信号.
• 通过解构被动传播效应来量化大脑信号的活性成分.
• 探索孤立的活性信号对大脑网络组织和与任务相关的活动的影响.

主要方法:

• 使用一个更高阶网络扩散 (HONeD) 模型来空间解卷被动信号扩散.
• 计算了关闭形式的活性信号 (HONeD-innovation或HONeD-in) 的估计值.
• 将该方法应用于770名人类结合体项目对象的功能性MRI数据.

主要成果:

• 在保持网络完整的同时,HONeD创新信号使功能连接更加紧密.
• 这种主动信号重塑了静态网络 (RSN),改变了它们的层次组织.
• 清除模糊的任务激活地图,表明大脑活动的空间分辨率得到了改善.
• 揭示了单模和多模RSN的循环混合,挑战了现有的等级模型.

结论:

• HONeD deconvolution提供了一种新且可泛化的方法,用于分析休息状态和基于任务的fMRI数据.
• HONeD-创新信号提供了一个更清晰的视图,主动的神经过程不同于被动信号传播.
• 这种方法增强了对大脑网络动态和功能组织的研究.