功能磁共振成像(fMRI)测量的功能连通性(FC)为探索大脑组织提供了一个强有力的工具。脑组织的时间动力学研究表明，功能连接体具有很大的时间变异性，这可能与心理状态的转变和/或适应过程有关。大多数动态研究，如功能连接体和功能网络连接(FNC)，都关注于宏观的FC变化，即不同脑网络来源、节点和/或感兴趣区域的时间相干性变化，其中假设在网络或节点内FC是静态的。在本文中，我们发展了一种新的方法来检查FC的空间动力学，而不假设其网络内的平稳性。我们将我们的方法应用于22名受试者的听觉oddball任务(AOD)中的fMRI数据，试图通过评估空间连通性是否随任务条件而变化来捕获/验证该方法。结果表明，除了参与传统的时间动态，如跨网络变异性或动态功能网络连通性(dFNC)，连接网络还表现出随时间的空间变异性。此外，我们还通过聚类分析评估个体对AOD任务中目标(oddball)检测的功能对应关系，研究了FC的空间动态与认知过程的关系。提取认知任务对应状态，并分离对应状态的动态FC空间图。在不同的任务引导的状态下，任务刺激同步状态随着默认模式网络(defaultmode network, DMN)与认知注意网络强的负相关关系显著降低。我们还观察到越来越多的任务异步状态，这种状态表现出没有DMN的反相关。研究结果强调了认知任务对观察到的空间动态结构的影响。我们还发现，我们方法得到的FC空间动态模式与宏观dFNC模式基本一致，但在空间上有更多的细节和规范，同时源内部的连通性提供了新的信息，并随时间而变化。总的来说，我们证明了(通常被忽视的)连接的空间动力学存在的证据，它与任务的联系和认知/心理状态的暗示。
1. 简述
cmICA方法(Wu et al.， 2015)用于从体素尺度的连接矩阵中提取独立空间源及其对应的到整个大脑的连接映射。它最初用于从弥散MRI (dMRI)数据中解析体素到体素的纤维束连接矩阵。
在这项研究中，我们进一步扩展了cmICA，使用独立源作为解剖感兴趣区域来检查FC的空间动力学，而具有这些感兴趣区域的全脑FC的空间格局和强度随时间而变化。然后，我们将我们的方法应用于当个体执行一个oddball的任务时收集的fMRI数据集。目标是开发一种有效的方法来提取空间连接模式作为时间的函数，分析它们的空间动态，并识别与各种任务条件相关的空间调制。图1是论文的方法框架。
图1 方法框架
2. 结果
2.1空间源和稳态R图
CmICA产生40个成分，图2A是它们的聚合S和R图。源图S，如图2A中的彩色编码复合图和表1中的MNI细节所示，为阈值化以可视化以及识别最代表体素。成分被分为皮层下(SUB，粉色)、听觉(AUD，紫色)、视觉(VIS，绿色)、躯体运动(SM，橙色)、认知控制(CC，青色)和默认模式(DM，黄色)六组，以促进可视化(以下同色板)。
图2A中的FC映射R与它们的源S相对应。R图被转换为相关性，因此它们在整个大脑以及图2C中的网络间(即S) FNC矩阵的不同成分之间具有可比性。类似于我们之前的发现,结果显示FC图R空间独立化远小于源图,因为它们不是限制独立或认为是静态的,而是由功能连接直接引导。
连接图R本质上是具有代表性的时间过程T和所有大脑BOLD时间序列之间的时间相关性。由于本研究的重点是任务影响，图2B显示了R对应的时间进程T，它们与目标时间轴高度相关/反相关。显著性检验显示，来自AOD、SM和CC网络的成分与任务目标呈正相关，而只有DMN成分与目标呈负相关，正如预期的那样。
为了观察整个大脑的总体任务调制模式，并便于以后进行比较，图2 C显示了所有40个分量(上一行)的目标和ICA时间程Ts与FNC矩阵(下一行)之间的相关性。在6个亚组中存在明显的任务相关模式，即SM、AUD和CC对目标刺激的高任务正性连接和高组内正性连接;DMN对目标的任务负性连通性高，DM与SM、AUD和CC之间的负连通性高。
图2 cmICA双分区以及任务积极/消极网络
2.2 功能连接图中的动力学
动态FC空间图R估计的结果如图3所示，其中显示了来自成分42(上时间)的三个代表性受试者的FC空间动态。图3 A1-C1显示个体从k = 2,6到12静态Rk的地图，3A2-C2显示每个个体在四个选择的时间窗口动态Rk(w),和3A3-C3显示源S42与五个相关ICA源(例如,S4旁中央为橙色，S18颞中为紫色，S34岛叶/前扣带为青色，S11 距状为深绿色，S24纺锤形为浅绿色)动态的网络间连接的时间序列(例如,dFNC的元素)。从FC图Rs时间序列(图3 A2-C2)可以看出，STG分量的FC图随时间波动较大，并且在6.3 min扫描范围内(向不同或相似的脑区)表现出强烈的正相关和强烈的负相关。这表明所提出的方法能够捕捉随时间变化的空间变化。不仅如此，这些波动还显示了与任务相关的看似合理的变化。例如，受试者6在时间窗口2时，与距脑回呈高度正连通性，而在距脑回的STG网络内连通性相对较小，而与相同距脑区呈高度负连通性，在时间窗口3时，与距脑回的网络内连通性明显增加。更重要的是，动态FC映射中的这些变化与它们的dFNC时间序列很好地对应。例如，受试者2的动态R图显示受试者6在时间窗3与残差面积呈负相关。在S42和S11之间的个体dFNC中也捕捉到了这种负性连接(深绿色)。然而，使用动态FC映射R，我们可以更精确地观察负连通性在空间上的行为。同时，STG与“目标”(图3 A3-C3中的灰线)之间的连通性(对应关系)也表现出很高的动态性。这加强了我们的预期，即与认知和任务表现相关的个体大脑功能和连接可能不会随着时间的推移而保持一致。
图3 3个个体动态FC图
2.3 任务引导的状态
如方法部分所述，在聚类分析之前计算任务引导的协方差数组。图4所示。显示了每个分量沿时间窗的平均年龄协方差(Lw)，突出了大脑处理罕见听觉刺激的动态变化，这些变化通过了基于回归的显著性。结果显示，随着时间的推移，任务对应的变化是非常显著的，并不是随机的。在几乎所有成分中，任务的对应关系都会随着时间的推移而减少。需要注意的是，任务负网络DM中的对应关系一般递减为零(随着时间的推移负相关较少)。
图4 目标和fMRI成分时间序列之间的时间动态趋势
k = 4时的聚类结果如图5所示。任务引导状态的特征是形心(图5 A)，形心的出现是时间的函数(图5 B)。状态按照它们的时间优先顺序排列。在图5 A中，红色和蓝色的圆圈(从形心结果中表示正和负的强度)表示每个成分与目标刺激的对应关系，内部连接线表示使用相同分配。正如我们所见，状态1是高度模块化的，与状态1相比，状态2和状态3表现出较少的模性和跨网络/子群的连通性，而状态2和状态3表现出较少的模性和跨网络/子群连通性。状态2在DM中表现出较高的任务负相关性。状态4在DM中表现出最小的模块性和任务负性行为(反相关)的缺失。相反，我们观察到高度的超同步，因为状态4缺乏DM和SM成分之间的拮抗/反相关。从时间上看，图5 B显示，随着时间的推移，状态1的占用显著减少，状态4的占用显著增加。这些任务引导状态的时间特性也可以通过状态转换来描述。
图5 C(左)显示了平均转移矩阵，即从一种状态到另一种状态的概率。白色的对角线元素表示保持在同一状态的绝佳机会。非对角的元素,从状态1或状态3到2的概率大于从状态2到1或3,状态2的4概率大于从4到状态2,表明方向性的转变。这种行为还由从转移矩阵的计算的平稳概率支持，图5C(右)，在稳态概率状态4远远大于其他三个状态,表示从长远来看该系统是最有可能在状态4发现。这些结果与图5 B中的时间趋势一致。
图5 聚类结果以及状态切换特征
2.4 空间FC隔离
每个任务引导状态的空间FC剖面图是通过将所有的空间动态FC映射R划分为集合，并标记其对应的任务引导协方差阵列来测量的。图6A显示了成分43和成分40的隔离图,图6B测量了两个最遥远的(动态)FC图基于统计差异。正如预期的那样,空间FC模式岁任务不同而变化，由于我们发现空间之间存在显著的差异，而不是相互重叠，更重要的是它与图5所示的网络间连通性(inter-network connectivity, dFNC)模式很好地对应。总体而言，状态1显示出每个源的网络内连接的高同步性;任务正源和任务负源之间的高度不同步。状态2和状态3显示正任务网络和负任务网络之间的不同步更少。最后，状态4显示了最独特的FC空间轮廓(远离其他状态)，具有广泛的超同步。成分43在状态1中显示源内和右中央后高度相关，在ACC和内侧额叶区(DM网络)高度反相关;与之对应的是，状态1中的成分40具有近乎镜像的FC模式，显示出其内部和所有DM成分的高连通性，并在左右中央后回中具有高反相关。在这两种情况下，这种高度的去同步性随着时间的推移而减弱，并倾向于在DM区域随着时间的推移表现出更高的同步性。然而，这种趋势在“任务负性”DM成分40中比在“任务正性”成分43中表现得更强，因为状态4显示，在成分40中“超同步”模式比成分43中更为普遍。
用蒙特卡罗排列试验(方法)确定空间体素之间的统计差异，结果如图6 B和6 c所示。z-评分的距离测量-绘制在图6B(最外面的红色环)和显著远处的分量是白星，通过多个源比较。将特定状态的连通性与全球平均水平进行比较，也支持了空间差异(内部四个红环)。图6C中绘制了一个特定的排列例子，也证实了成分40中任务引导状态的空间模式彼此之间的距离明显比随机预期的要远。
图6 任务引导的状态分割的空间FC模式
图7显示了三个代表性受试者的任务引导状态和对应的FC空间模式。这些例子表明，在群体水平上发现的任务特定状态和FC空间模式也可以在个体水平上看到。特别是(图7A-C左底部脑状态图),对所有3个对象成分43(中央后L),本身(SM)和DMN(PCC和/或ACC)之间的负相关在状态1,2,3清晰可见，然后在状态4 合并成负相关消失的状态。这在受试者9和20中表现得尤为明显，他们的大脑连通性整体同步程度很高。这种SM和DMN之间从负相关到同步化的转变反映在个体7和20的黄色相关线，（图7A-C左上线），以及任务刺激随着时间减少的灰色线的高度一致性。成分40(内侧额叶)也表现出同样的行为，特别是被试20(图7C右下角)，其本身(DMN)和SM(在SMA和中心后区域)之间的反相关性逐渐减弱。结果也说明了受试者之间的高度可变性。
图7 FC空间动态模式3个个体实例
3. 讨论
在这项研究中，我们发现，无论是在个体案例(图3)还是在群体聚类剖面(图6)中，R图中的FC空间动态模式都反映了dFNC模式。然而，与dFNC(或其他基于ROI的宏观FC)分析相比，使用整体体素尺度FC图的好处在于，我们可以观察到连接随时间的详细空间变化。例如，我们发现在不同的大脑网络中，沿任务去同步状态的大脑的超同步行为并不相同，相反，DM源比任务正向源更具有与整个大脑的同步和交流。这表明DM网络可能在认知过程中发挥积极和复杂的作用。同时，源内部的连通性(幅度和空间范围)并不保持不变。这也强调了重新检查研究的重要性，这些研究只使用宏观尺度的网络，将随时间变化的ROI内连接性视为相同的。
4. 结论
利用cmICA和滑动窗口方法，提出了一种计算效率高的功能连接矩阵空间动态组合算法。它从cmICA生成基于连接的脑源和静态FC配置图，并从滑动窗口生成相应的动态FC映射。提出的动态cmICA可以实现全脑体素对的动态FC分析。连接模式显示了脑功能连接的大尺度空间动态，以及与任务刺激的强交互作用。我们的研究提供了初步的证据，并推动了未来的研究。
网友评论