静息态网络间的信息流

静息大脑动力学自组织成有限数量的相关模式，称为静息态网络（RSNs）。众所周知，诸如独立成分分析等技术可以分离静息态下的脑活动以提供此类RSNs，但RSNs之间的具体相互作用模式尚未完全理解。为此，我们在此提出一种新方法，用于从静息态磁共振成像中计算不同RSNs之间的信息流（IF）。在对所有体素信号进行血流动力学响应函数盲解卷积之后，并基于RSNs定义感兴趣区域的假设，我们的方法首先使用主成分分析在每个RSN内降维，进而通过系统性地增加k（计算中使用的主成分数量）来计算不同RSNs之间的IF（此处用传递熵估计）。当k=1时，该方法等价于使用每个RSN中所有体素活动的平均值来计算IF。对于大于1的k，我们的方法计算不同RSNs之间的k-多元IF。我们发现RSNs间的平均IF具有维度依赖性，从k=1（即平均体素活动）增加至在k=5处达到最大值，最终对于大于10的k衰减至零。这表明少量成分（接近5）足以描述RSNs之间的IF模式。我们的方法——处理任何通用数据中RSNs间IF的差异——可用于健康或疾病状态下的组间比较。为说明这一点，我们在一个阿尔茨海默病（AD）数据集中计算了RSN间IF，发现AD与对照组之间最显著的差异出现在k=2，此外AD显示出相对于对照组增加的IF。