21、脑连接性研究：连续模型与非负矩阵分解的创新应用

脑连接性研究：连续模型与非负矩阵分解的创新应用

在脑科学研究中，准确理解大脑的结构连接性对于揭示神经系统疾病的机制和开发有效的诊断方法至关重要。本文将介绍两种相关的研究方法，一种是基于连续模型的皮层连接性分析，另一种是结合流形正则化和标签信息的非负矩阵分解用于判别性子网络检测。

连续模型的皮层连接性分析

在皮层连接性研究中，独立性假设起着关键作用，它允许分别评估区域对。然而，这种方法存在偏向于更多、更小区域的分割问题，因为泊松分布将方差和均值绑定在一个参数中。为了平衡这种情况，Akaike信息准则（AIC）是一种常用的基于似然的选择。

$$AIC(P) = -2 \log L(P) + \frac{|P|}{2} \log |D|$$

AIC在准确性和简约性之间取得平衡，对参数过多的模型进行惩罚，在我们的案例中，就是对区域过多的分割进行惩罚。

应用于CoRR重测数据

为了验证该框架的有效性，研究人员在一个重测数据集上进行了实验。使用组内相关系数（ICC）来衡量连接组的可重复性，并使用多个标准比较了三种分割方法。

1. 数据采集与处理

   • 数据来自中国科学院心理研究所子数据集，包含29名受试者。
   • 使用3T西门子TrioTim扫描仪，配备8通道头部线圈和60个方向，对每个受试者进行两次扫描，间隔约两周。
   • T1加权（T1w）图像使用Freesufer的recon - all管道进行处理，以获得注册到共享球形空间的灰白质边界的三角网格，以及三种基于图谱的皮层分