[論文レビュー] Structural coarse-graining enables noise-robust functional connectivity and reveals hidden inter-subject variability

Izaro Fernandez-Iriondo, Antonio Jiménez-Marín+2 more|arXiv (Cornell University)|Feb 9, 2026

Functional Brain Connectivity Studies被引用数 0

ひとこと要約

論文は拡散ベースの構造的 coarse-graining とスペクトルノイズフィルタリングを組み合わせ、 temporally limited fMRI データから信頼できる低次元の機能ネットワークを導出し、標準的なパイプラインよりも広い被験者間変動を明らかにする。

ABSTRACT

Functional connectivity estimates are highly sensitive to analysis choices and can be dominated by noise when the number of sampled time points is small relative to network dimensionality. This issue is particularly acute in fMRI, where scan resolution is limited. Because scan duration is constrained by practical factors (e.g., motion and fatigue), many datasets remain statistically underpowered for high-dimensional correlation estimation. We introduce a framework that combines diffusion-based structural coarse-graining with spectral noise filtering to recover statistically reliable functional networks from temporally limited data. The method reduces network dimensionality by grouping regions according to diffusion-defined communication. This produces coarse-grained networks with dimensions compatible with available time points, enabling random matrix filtering of noise-dominated modes. We benchmark three common FC pipelines against our approach. We find that raw-signal correlations are strongly influenced by non-stationary fluctuations that can reduce apparent inter-subject variability under limited sampling conditions. In contrast, our pipeline reveals a broader, multimodal landscape of inter-subject variability. These large-scale organization patterns are largely obscured by standard pipelines. Together, these results provide a practical route to reliable functional networks under realistic sampling constraints. This strategy helps separate noise-driven artifacts from reproducible patterns of human brain variability.

研究の動機と目的

• 高次元性と限られた時間点での fMRI における信頼性のある機能的結合推定の必要性を動機づける。
• 拡散定義の構造的通信を用いてネットワークの次元を削減するフレームワークを提案する。
• coarse-grained ネットワークにおいてノイズ支配モードを抑制するためにスペクトルノイズフィルタリングを統合する。
• 頑健性と変動性を評価するために、一般的な機能的結合パイプラインと比較してアプローチをベンチマークする。

提案手法

• 拡散定義通信に基づいて領域をグループ化し、拡散ベースのcoarse-grained ネットワークを構築する。
• 意味のある構造を保持しつつノイズ支配モードを除去するためにスペクトルノイズフィルタリングを適用する。
• temporally limited data を用いて提案パイプラインを三つの一般的な FC パイプラインと比較する。
• 非定常な変動が異なるパイプライン下で被験者間変動にどのように影響するかを評価する。
• coarse-graining が標準的アプローチでは隠れている多模態の被験者間変動を明らかにするかを分析する。

実験結果

リサーチクエスチョン

• RQ1 拡散ベースの構造的 coarse-graining により、限られたサンプリングに対して頑健な機能ネットワークを作成できるか。
• RQ2 スペクトルノイズフィルタリングは短いスキャン時間の下で機能的結合推定の信頼性を向上させるか。
• RQ3 提案手法は標準の FC パイプラインと比較して観測される被験者間変動にどう影響するか。
• RQ4 coarse-grained ネットワークでは従来法で隠れていたどのような被験者間変動パターンが現れるか。

主な発見

• Raw-signal correlations は限られたサンプリング下で非定常な変動の影響を強く受ける。
• 提案パイプラインは被験者間変動の広範で多模態な風景を明らかにする。
• 変動の大規模組織パターンは標準パイプラインによって大部分が覆い隠されている。
• coarse-grained ネットワークは入手可能な時間点と整合性を持ち、信頼性の高い推定を実現する。