任务相关边密度 (TED)——揭示人脑 fMRI 数据中大规模网络形成的新方法

形成瞬态网络以响应外部刺激或作为内部认知过程的反映是人类大脑功能的一个标志。然而，在 fMRI 数据中识别这一点是出了名的困难。这里我们提出一种新的 fMRI 数据分析方法，通过考虑大规模、任务相关的同步网络来解决此问题。网络由节点和连接它们的边组成，其中节点对应于 fMRI 数据中的体素，边的权重由各自时间序列之间动态同步的任务相关变化确定。基于这些定义，我们开发了一种新的数据分析算法，该算法识别脑网络中以一致方式差异响应任务起始、并且以具有相似特征的密集包出现的边。因此，我们称此方法为“任务相关边密度”(TED)。TED 被证明是动态网络形成的极强标记，易于使用大规模统计推断进行统计分析。与其他方法相比，TED 的主要优势在于它不依赖于任何特定的血流动力学响应模型，并且也不需要用于降维的数据预分割，因为它可以处理由数万个体素组成的大型网络。我们将 TED 应用于人类连接组计划提供的手指敲击任务的 fMRI 数据。TED 揭示了基于传统 GLM 的分析未能检测到的许多脑区的基于网络的参与。我们表明，我们提出的方法为窥视人类大脑功能的巨大复杂性提供了全新的窗口。