结构与功能脑网络中分层社区架构的多尺度检测
神经元与认知
2017-04-20 v1
摘要
社区检测算法已被广泛用于研究诸如脑之类的复杂系统的组织方式。这些技术的一个主要吸引力在于其能够识别脑区（或节点）划分为社区的分区，其中社区内的节点密集互连。在其最简单的应用中，社区检测算法对于社区层级的存在是不可知的，但许多神经系统的一个共同特征是嵌套层级。为应对此局限，我们运用一种称为模块度最大化的社区检测技术的多尺度扩展，并将该工具应用于合成图以及源自人类结构与功能成像数据的图。我们的多尺度社区检测算法将一个图跨相邻拓扑尺度连接到其自身的副本，从而变得对层级相邻水平上保守的社区组织敏感。我们证明，该方法通过提供社区稳定性的局部（节点）度量和跨拓扑尺度的尺度间可靠性，能够更好地刻画图层级的拓扑非均匀性。我们比较了脑的结构与功能网络架构，并证明结构图比功能图展现出更宽的拓扑尺度范围。最后，我们构建了一个在多模态复用图中将结构与功能连接结合于单一模型，并识别出静息态功能连接与底层结构连接呈现出相似或独特分层社区架构的拓扑尺度。总之，我们的结果展示了多尺度社区检测算法在研究脑图分层社区结构中的优势，并说明了其在建模多模态神经成像数据中的效用。
引用
@article{arxiv.1704.05826,
title = {Multi-scale detection of hierarchical community architecture in structural and functional brain networks},
author = {Arian Ashourvan and Qawi K. Telesford and Timothy Verstynen and Jean M. Vettel and Danielle S. Bassett},
journal= {arXiv preprint arXiv:1704.05826},
year = {2017}
}