[论文解读] Degree distributions in mesoscopic and macroscopic functional brain networks

Satoru Hayasaka, Paul J. Laurienti|ArXiv.org|Mar 24, 2009

Functional Brain Connectivity Studies被引用 4

一句话总结

本研究使用相同的fMRI数据，比较了介观（体素级）和宏观（区域级）功能脑网络的度分布。研究发现，两种网络类型均符合指数截断幂律分布，通过揭示绘图方法（P(k)与1−F(k)）和网络尺度的差异，解决了先前研究中的矛盾：即为何体素级网络看似无标度，而区域级网络则不然。

ABSTRACT

We investigated the degree distribution of brain networks extracted from functional magnetic resonance imaging of the human brain. In particular, the distributions are compared between macroscopic brain networks using region-based nodes and mesoscopic brain networks using voxel-based nodes. We found that the distribution from these networks follow the same family of distributions and represent a continuum of exponentially truncated power law distributions.

研究动机与目标

• 解决文献中关于功能脑网络是无标度还是指数截断幂律的争议。
• 研究体素级脑网络看似无标度的特性是否为数据处理或绘图方法的人为结果。
• 使用相同的fMRI数据，比较不同空间尺度（介观，体素级；宏观，解剖区域级）下的度分布。
• 确定网络分辨率（体素与区域）是否影响观测到的度分布形状。
• 评估指数截断幂律对脑网络韧性与功能分离的影响。

提出的方法

• 通过将每个3D脑体素视为一个节点，利用5名受试者的fMRI时间序列构建体素级网络。
• 通过在预定义解剖区域内部平均体素时间序列，构建区域级网络，每名受试者约有100个节点。
• 计算节点时间序列之间的成对相关系数，生成每种网络类型的相关矩阵。
• 应用受试者特定的相关阈值$ R_c $，生成二值邻接矩阵，确保各受试者间平均度相似。
• 将度分布拟合至指数截断幂律模型：$ P(k) \propto k^{\beta} \exp(-k/k_c) $，为每种网络类型估计$ \beta $和$ k_c $。
• 使用互补累积分布函数$ 1-F(k) $以提高对尾部分布行为的敏感性，并减少拟合过程中的噪声。

实验结果

研究问题

• RQ1 当使用相同的fMRI数据构建时，介观（体素级）和宏观（区域级）功能脑网络是否表现出不同的度分布？
• RQ2 为何先前研究在体素级网络中报告了无标度度分布，而在区域级网络中却没有？
• RQ3 体素级网络看似无标度的特性是否为绘图方法或网络分辨率的人为结果？
• RQ4 两种网络类型是否属于同一类分布家族？若是，其潜在函数形式为何？
• RQ5 指数截断幂律分布对脑网络功能与鲁棒性有何影响？

主要发现

• 介观（体素级）和宏观（区域级）功能脑网络均符合指数截断幂律分布，而非纯幂律分布。
• 体素级网络的度分布最佳拟合参数为$ \beta = -0.61 $和$ k_c = 81.3 $，表明其尾部存在截断。
• 区域级网络的参数为$ \beta = 1.87 $和$ k_c = 1.60 $，表明其下降更陡峭且截断点更低。
• 先前文献中的矛盾源于体素级研究绘制的是$ P(k) $，而区域级研究使用的是$ 1-F(k) $，后者对尾部分布行为更敏感。
• 这两种网络类型代表了指数截断幂律的连续谱，其中更细尺度（介观）网络更接近无标度网络。
• 脑网络结构可能通过截断机制在进化上被优化，以抵抗失控同步（如癫痫中的情况），因为截断引入了非零的流行病阈值。