量化功能脑网络背后的结构连接强度

近年来，神经科学研究对通过表现出强功能连接（FC）的脑区网络来研究脑组织产生了浓厚兴趣。这些网络是利用数据驱动的分析方法（如独立成分分析，ICA）从观测到的fMRI数据中提取的。这些FC方法的一个显著局限是，它们不提供任何关于潜在结构连接（SC）的信息，而结构连接被认为是脑活动中区域间相互作用的基础。我们提出了一种新的统计度量，用于衡量通过数据驱动方法获得的FC网络背后的SC强度（sSC）。该sSC度量是利用弥散张量成像（DTI）数据的信息开发的，可用于比较不同FC网络之间的SC强度。此外，我们为数据驱动的FC网络提出了一个可靠性指数，通过对观测数据进行重采样来衡量网络的可重复性。为了对sSC进行诸如假设检验之类的统计推断，我们基于一个带有新颖距离度量的空间半变异函数模型，开发了sSC的正式方差估计量。我们通过模拟研究展示了sSC度量及其估计与推断方法的性能。在真实数据分析中，我们将我们的方法应用于一项多模态成像研究，该研究包含来自20名健康对照和20名重度抑郁症患者的静息态fMRI和DTI数据。结果表明，众所周知的静息态网络均显示出网络内部的SC高于大脑的平均结构连接。我们还发现，sSC与可靠性指数呈正相关，表明具有更强潜在SC的FC网络在不同样本间具有更高的可重复性。