腦圖譜涉及尋找與不同特征相關的大腦區(qū)域，例如疾病、認知功能或行為，是神經科學的一個主要研究領域。這種方法基于統(tǒng)計模型，并且存在許多偏差。為了對抗這些問題，巴黎腦研究所和 Inria 的聯(lián)合團隊 ARAMIS 團隊的研究人員，以及他們在昆士蘭大學(澳大利亞)和西湖大學(中國)的合作者，提出了一種新的大腦映射統(tǒng)計模型。結果發(fā)表在《醫(yī)學影像雜志》上。
映射大腦
繪制大腦圖是一項動員世界各地許多神經科學研究人員的挑戰(zhàn)。這種方法的目標是識別與不同特征相關的大腦區(qū)域，例如疾病、認知評分或行為。這種類型的研究也被稱為“全腦關聯(lián)研究”，它依賴于對大腦區(qū)域的詳盡篩選來識別與感興趣的特征相關的區(qū)域。
“困難在于我們正在大海撈針，除了我們不知道有多少針，或者在我們的例子中，有多少大腦區(qū)域需要找到，”Baptiste Couvy-Duchesne (Inria )，該研究的第一作者。
應對信號冗余的挑戰(zhàn)
第一個挑戰(zhàn)在于每個人可用的大腦測量數(shù)量，它可以迅速達到一百萬或更多。此外，大腦區(qū)域相互關聯(lián)。一些區(qū)域高度連接并與許多其他區(qū)域相關聯(lián)，例如網絡中的節(jié)點。然而，其他人則更加孤立，要么因為它們獨立于其他大腦區(qū)域，要么因為它們有助于非常特定的認知特征或大腦功能。
“如果與我們感興趣的特征相關的大腦區(qū)域是高度連接網絡的一部分，分析將傾向于檢測整個網絡，因為信號在相互關聯(lián)的區(qū)域內傳播，”研究人員繼續(xù)說道，“這個信號，乍一看似乎非常強大，但實際上是多余的。那么我們如何才能在網絡中找到真正對感興趣的特征有貢獻的一個或多個區(qū)域呢?
為了解決這個問題，研究人員正在提出新的統(tǒng)計方法，這些方法適用于高維圖像以及對大腦內復雜的相關結構進行建模。
標簽：
免責聲明：本文由用戶上傳，與本網站立場無關。財經信息僅供讀者參考，并不構成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權請聯(lián)系刪除！