超越分辨率极限的加权脑连接网络社团检测

图论为研究大脑功能连接网络及其模块化组织提供了强大的框架。然而，大多数基于图的方法受制于基本的分辨率极限，这可能影响了以往的研究，并阻碍了对小于特定尺度的模块（即社团）的检测。Surprise是一种根植于离散概率论的无分辨率极限函数，近期被引入并应用于脑网络研究，揭示了功能模块的广泛尺寸分布，这与许多以往的报道形成对比。然而，Surprise仅适用于二值网络，而脑网络本质上是加权的，反映了不同脑区之间连接强度的连续分布。在此，我们提出Surprise的连续版本——Asymptotical Surprise，用于研究加权脑连接网络，并在具有真实模块化结构的合成网络中验证了该方法。我们将Asymptotical Surprise与当前领先的社团检测方法进行了比较，结果表明，即使在存在噪声和诸如fMRI数据中观察到的被试间变异性的情况下，它在检测小模块方面也具有卓越的灵敏度。最后，我们将这一新方法应用于静息态fMRI实验的功能连接网络，证明了其异质性的模块化组织，并展示了跨越多个尺度的广泛簇分布。