SPARK-ICA：引导式频率分辨动态空间ICA揭示精细尺度fMRI网络动态

功能性脑网络的精细时空动力学日益被认为是瞬态连接和神经精神病理学的关键标志。然而，许多现有的动态 fMRI 方法主要关注时间变异性，而未明确解析网络动力学的空间频率内容，这可能限制对细微的高频空间重构的表征。为弥补这一空白，我们提出 SPARK–ICA（Spatial–frequency Partitioned, Adaptive Reconstruction using Knowledge-guided ICA，即空间频率分区、知识引导的自适应重建 ICA），这是一个频率分辨的动态空间独立成分分析（ICA）框架，它将 NeuroMark 模板引导与空间频率分解以及时间分辨、频带特异性空间图的组水平 ICA 相结合。从模板引导的 NeuroMark 网络出发，我们首先使用动态引导 ICA 方法估计随时间变化的空间图，捕捉被试特异性的网络表达随时间的变化。随后，利用傅里叶域空间滤波将每个动态空间图分解为多个空间频带，在每个时间点分离出从精细到粗糙尺度的空间特征。频带特异性空间图随后被拼接并进行盲组水平多频 ICA，产生一个紧凑的潜在表示，其中每个动态成分由不同的空间频率特征所刻画。这些组水平频带分辨成分随后被用作参考，通过空间约束 ICA 估计被试和频带特异的时间过程与图，从而能够在保持跨被试可重复性的同时，对长期相关和短期时间变异性进行频率特异性分析。使用精神分裂症（SZ）患者和健康对照（HC）的静息态 fMRI 数据，我们评估了频带分辨动态时间过程的长期相关和短期变异性。在组水平分析中，我们聚焦于一个预先定义的 NeuroMark 网络子集，这些网络已充分确立与 SZ 相关连接异常有关。我们的结果揭示了 SZ 中频率特异性的异常，表现为感觉和皮层下网络内长期连接增强，以及显著的短期改变，主要涉及较高频率的空间成分，尤其是在小脑和皮层下系统中。这些发现表明，SZ 相关的失调在不同空间频率和时间尺度上存在差异性表达，而非反映出一致的连接异常。总之，该框架为跨空间、时间和频率维度分析动态 fMRI 网络提供了一种统一方法，将我们此前的 NeuroMark-DyFICA 框架从以高频空间表示为主扩展到对动态网络组织的明确频率分辨表征。通过显式建模空间频率依赖的动力学，所提出的方法提供了对网络改变的更精细表征，并为识别神经精神障碍的候选标志物提供了一个框架。

中文由 AI 翻译，仅供参考，以原文为准。