面向功能磁共振有效连接估计的可扩展方法

刻画脑区之间的有向连接是理解大脑网络组织及其如何支持认知过程的基础。然而，能够在全脑水平以及跨高分辨率分区评估有效连接（EC）的可靠方法一直难以实现。这一局限反映了模型细节与可扩展性之间的权衡。诸如动态因果建模（DCM）之类的机制性方法能够对定向交互提供有原理依据的描述，但对于大尺度分区而言变得不切实际，而基于线性系统反演的、可扩展的方法往往无法可靠地恢复潜在有效连接的关键特征。在此，我们使用来自人类连接组计划 S1200 版本的数据表明，用于 EC 估计的多变量 Ornstein-Uhlenbeck（mOU）方法经过调整后，可以产生与先进 DCM 的估计大体一致的 EC 估计，至少在血流动力学反应的空间变异性处于健康成年大脑特征的生理范围内时如此。此外，得益于其较低的计算成本，mOU 可以轻松扩展到大型神经影像队列和高分辨率分区。基于 mOU 的高分辨率 EC 在单被试连接组指纹识别方面优于功能连接。此外，它通过识别社群内部和社群之间的定向交互，并揭示驱动区和接收区，能够对大脑的层级组织和模块化架构进行高分辨率刻画。总体而言，我们的方法提供了一条可靠且可扩展的 EC 估计流程，广泛适用于认知与网络神经科学。

中文由 AI 翻译，仅供参考，以原文为准。