一种改进大脑映射的新统计方法

脑图谱涉及寻找与不同特征相关的大脑区域，例如疾病、认知功能或行为，是神经科学的一个主要研究领域。这种方法基于统计模型，并且存在许多偏差。为了对抗这些问题，巴黎脑研究所和 Inria 的联合团队 ARAMIS 团队的研究人员，以及他们在昆士兰大学(澳大利亚)和西湖大学(中国)的合作者，提出了一种新的大脑映射统计模型。结果发表在《医学影像杂志》上。

映射大脑

绘制大脑图是一项动员世界各地许多神经科学研究人员的挑战。这种方法的目标是识别与不同特征相关的大脑区域，例如疾病、认知评分或行为。这种类型的研究也被称为“全脑关联研究”，它依赖于对大脑区域的详尽筛选来识别与感兴趣的特征相关的区域。

“困难在于我们正在大海捞针，除了我们不知道有多少针，或者在我们的例子中，有多少大脑区域需要找到，”Baptiste Couvy-Duchesne (Inria )，该研究的第一作者。

应对信号冗余的挑战

第一个挑战在于每个人可用的大脑测量数量，它可以迅速达到一百万或更多。此外，大脑区域相互关联。一些区域高度连接并与许多其他区域相关联，例如网络中的节点。然而，其他人则更加孤立，要么因为它们独立于其他大脑区域，要么因为它们有助于非常特定的认知特征或大脑功能。

“如果与我们感兴趣的特征相关的大脑区域是高度连接网络的一部分，分析将倾向于检测整个网络，因为信号在相互关联的区域内传播，”研究人员继续说道，“这个信号，乍一看似乎非常强大，但实际上是多余的。那么我们如何才能在网络中找到真正对感兴趣的特征有贡献的一个或多个区域呢?

为了解决这个问题，研究人员正在提出新的统计方法，这些方法适用于高维图像以及对大脑内复杂的相关结构进行建模。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！