• 主题
高级搜索  >
历史搜索 清空历史
首页> 美国卫生研究院文献>other >The connectivity domain: Analyzing resting state fMRI data using feature-based data-driven and model-based methods
【2h】

The connectivity domain: Analyzing resting state fMRI data using feature-based data-driven and model-based methods

机译：连接域：使用基于特征的数据驱动和基于模型的方法来分析静态fMRI数据

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Spontaneous fluctuations of resting state functional MRI (rsfMRI) have been widely used to understand the macro-connectome of the human brain. However, these fluctuations are not synchronized among subjects, which leads to limitations and makes utilization of first-level model-based methods challenging. Considering this limitation of rsfMRI data in the time domain, we propose to transfer the spatiotemporal information of the rsfMRI data to another domain, the connectivity domain, in which each value represents the same effect across subjects. Using a set of seed networks and a connectivity index to calculate the functional connectivity for each seed network, we transform data into the connectivity domain by generating connectivity weights for each subject. Comparison of the two domains using a data-driven method suggests several advantages in analyzing data using data-driven methods in the connectivity domain over the time domain. We also demonstrate the feasibility of applying model-based methods in the connectivity domain, which offers a new pathway for the use of first-level model-based methods on rsfMRI data. The connectivity domain, furthermore, demonstrates a unique opportunity to perform first-level feature-based data-driven and model-based analyses. The connectivity domain can be constructed from any technique that identifies sets of features that are similar across subjects and can greatly help researchers in the study of macro-connectome brain function by enabling us to perform a wide range of model-based and data-driven approaches on rsfMRI data, decreasing susceptibility of analysis techniques to parameters that are not related to brain connectivity information, and evaluating both static and dynamic functional connectivity of the brain from a new perspective.
机译：静息状态功能性MRI（rsfMRI）的自发波动已被广泛用于理解人脑的宏观连接体。但是，这些波动在主体之间是不同步的，这会导致局限性，并使基于一级模型的方法的使用具有挑战性。考虑到rsfMRI数据在时域上的这种局限性，我们建议将rsfMRI数据的时空信息传输到另一个域（连接域），其中每个值代表受试者之间的相同效果。使用一组种子网络和连接性索引来计算每个种子网络的功能连接性，我们通过为每个主题生成连接性权重将数据转换为连接性域。使用数据驱动的方法对两个域进行比较表明，在时域中，在连接域中使用数据驱动的方法分析数据具有​​多个优势。我们还演示了在连接域中应用基于模型的方法的可行性，这为在rsfMRI数据上使用基于一级模型的方法提供了新途径。此外，连接域展示了执行基于特征的第一级数据驱动和基于模型的分析的独特机会。连通域可以使用任何技术来构造，这些技术可以识别跨受试者相似的特征集，并且可以使我们能够执行各种基于模型和数据驱动的方法，从而极大地帮助研究人员进行宏连接脑功能研究在rsfMRI数据上进行分析，降低了分析技术对与大脑连通性信息无关的参数的敏感性，并从新的角度评估了大脑的静态和动态功能连通性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号