【神经科学学习笔记】基于分层嵌套谱分割(Nested Spectral Partition)模型分析大脑网络整合与分离的学习总结

道不可以打折扣

已于 2024-11-07 13:21:16 修改

阅读量1.8k

点赞数 25

CC 4.0 BY-SA版权

分类专栏：神经科学之路文章标签：人工智能计算机视觉笔记图像处理学习

于 2024-11-06 23:00:53 首次发布

本文链接：https://blog.csdn.net/Rose9614/article/details/143579470

一、前言

1.学习背景

最近在学习脑网络分析方法时，笔者偶然读到了一篇发表在Physical Review Letters上的文章，文章介绍了一种名为嵌套谱分割(Nested-Spectral Partition, NSP)的方法，用于研究大脑功能网络的分离和整合特性。

传统的脑网络分析往往依赖于图论方法，而NSP方法提供了一个全新的视角，不仅能够揭示网络的层次化模块结构，还能定量衡量网络的整体平衡性。笔者认为这种方法很有意思～

在这篇博客中，笔者将尝试用自己的理解，结合手上有的数据，尝试复现这种方法的实现步骤，包括如何构建功能连接网络、如何进行模块划分，以及如何计算关键网络指标。由于笔者水平有限，如有不当之处，还请各位大佬多多指教。

2.参考文献

Wang, R., Lin, P., Liu, M., Wu, Y., Zhou, T., & Zhou, C. (2019). Hierarchical Connectome Modes and Critical State Jointly Maximize Human Brain Functional Diversity. Physical Review Letters, 123(3), 038301. https://doi.org/10.1103/PhysRevLett.123.038301

Chang, Z., Wang, X., Wu, Y., Lin, P., & Wang, R. (2023). Segregation, integration and balance in resting-state brain functional networks associated with bipolar disorder symptoms. Human Brain Mapping, 44(2), 599–611. https://doi.org/10.1002/hbm.26087

3.分层嵌套谱分割(Nested Spectral Partition, NSP)模型

这个方法就像是在玩俄罗斯套娃，通过特征值分解的方法，将复杂的大脑连接矩阵层层拆解。具体来说，NSP首先将整个大脑网络视为一个整体，然后基于功能连接矩阵进行特征分解，利用特征向量的符号特征，像剥洋葱一样逐层将网络划分为更细致的功能模块。是数据驱动的，可以稳定的自然展示组织方式。

一、前言

1.学习背景

2.参考文献

3.分层嵌套谱分割(Nested Spectral Partition, NSP)模型

二、连接矩阵（C）的构建

在进行NSP分析之前，我们首先需要构建功能连接矩阵(Functional Connectivity Matrix)。如图所示，整个构建过程可以分为三个主要步骤：首先对原始的fMRI进行预处理，包括时间层校正、头动校正等操作，得到预处理后的fMRI数据；然后基于Schaefer2018模板将大脑划分为100个感兴趣区域(ROI)；最后，通过计算这100个脑区之间的时间序列皮尔逊相关性，构建出100×100的功能连接矩阵。

1.功能相预处理

1.1 原文的预处理流程

原始研究基于AFNI和FSL软件执行了标准预处理流程。预处理步骤包括以中间层为参考的时间层校正，设置0.3mm为阈值的头动处理，采用MNI模板的空间标准化，使用6mm FWHM高斯核的空间平滑，以及0.01-0.1Hz的带通滤波，值得注意的是未进行全脑信号回归。

1.2 DPABI预处理流程

笔者则采用DPABI软件平台实现ARFCWS预处理流程，即依次进行自动去噪(Automated denoising)、重建(Realignment)、滤波(Filtering)、协变量回归(Covariate regression)、去除波纹(Wave removal)和平滑(Smoothing)处理。