连续脑连接性的对齐

脑网络通常由邻接矩阵表示，其中每个节点对应一个脑区。在传统脑网络分析中，假设节点在个体之间匹配，但用于节点匹配的方法往往忽略底层连接信息。这一忽视可能导致节点对齐不准，进而导致边的变异性膨胀，降低下游连接分析的统计功效。为克服这一挑战，我们提出一种新框架，用于注册高分辨率连续连接性（ConCon），其定义为在产品流形空间上的连续函数，具体为皮层表面，捕捉所有皮层点对之间的结构连接。利用 ConCon，我们 formulating 一个最优微分同胚问题，以同时对齐连接性轮廓和皮层表面。我们引入一种高效算法来解决该问题，并使用 Human Connectome Project（HCP）数据对 our 方法进行了验证。结果表明，我们的方法在可比现有技术的基础上显著提高了连接组分析的准确性和鲁棒性。