基于连接信息的脑皮层分区方法

在本论文中，我们提出了基于连接信息对整个人类大脑皮层进行细分的高效全自动方法。我们的贡献有四个方面：首先，我们提出了一种聚类方法，以描绘出能够提供大脑功能组织可靠抽象的皮层分区。其次，我们将分区问题转化为特征约简问题，并利用流形学习和图像分割技术来识别具有不同结构连接模式的皮层区域。第三，我们提出了一个多层图模型，该模型结合了被试内和被试间的连接信息，随后被分解为能够代表整个群体并考虑个体间变异性的皮层分区。最后，我们对现有分区方法进行了大规模系统性比较，重点在于揭示脑分区在反映底层连接方面的可靠性，以及它们对网络分析的影响。我们在人类连接组计划（Human Connectome Project）的公开数据以及文献中研究的众多定量与定性评估技术上评估了所提出的分区方法。跨多种分辨率的实验表明了所提方法在个体和群体水平上相对于可重复性和数据保真度的准确性。我们还通过将分区边界与大脑皮层的良好结构特性进行比较，研究了所提分区的神经生物学解释。结果表明，在更好拟合底层连接方面，连接驱动的分区优于传统方法。