[论文解读] Gyri vs. Sulci: Disentangling Brain Core-Periphery Functional Networks via Twin-Transformer

Xiaowei Yu, Lu Zhang+6 more|arXiv (Cornell University)|Jan 31, 2023

Functional Brain Connectivity Studies被引用 4

一句话总结

本文提出一种双分支Transformer框架，利用HCP数据集中的任务fMRI数据，解耦大脑皮层中回和沟在功能上的角色。通过分别为回和沟设计两个相同的Transformer模型，并引入一种新颖的回-沟共性-差异解耦损失（GS-CV Loss），模型揭示出回作为全局信息处理的核心网络，而沟则作为局部处理的外围网络，从而在大脑皮层中建立起核心-外围的功能架构。

ABSTRACT

The human cerebral cortex is highly convoluted into convex gyri and concave sulci. It has been demonstrated that gyri and sulci are significantly different in their anatomy, connectivity, and function, besides exhibiting opposite shape patterns, long-distance axonal fibers connected to gyri are much denser than those connected to sulci, and neural signals on gyri are more complex in low-frequency while sulci are more complex in high-frequency. Although accumulating evidence shows significant differences between gyri and sulci, their primary roles in brain function have not been elucidated yet. To solve this fundamental problem, we design a novel Twin-Transformer framework to unveil the unique functional roles of gyri and sulci as well as their relationship in the whole brain function. Our Twin-Transformer framework adopts two structure-identical (twin) Transformers to disentangle spatial-temporal patterns of gyri and sulci, one focuses on the information of gyri and the other is on sulci. The Gyro-Sulcal interactions, along with the tremendous but widely existing variability across subjects, are characterized in the loss design. We validated our Twin-Transformer on the HCP task-fMRI dataset, for the first time, to elucidate the different roles of gyri and sulci in brain function. Our results suggest that gyri and sulci could work together in a core-periphery network manner, that is, gyri could serve as core networks for information gathering and distributing, while sulci could serve as periphery networks for specific local information processing. These findings have shed new light on our fundamental understanding of the brain's basic structural and functional mechanisms.

研究动机与目标

• 揭示人类大脑功能中回与沟的基本功能角色，尽管已知其在解剖结构和连接性上存在差异，但其功能角色仍不甚明了。
• 对fMRI数据中回与沟特有的复杂时空功能网络（FBNs）模式进行建模与解耦。
• 探究回与沟是否以核心-外围网络结构运行，其中回作为信息枢纽，沟作为局部处理器。
• 开发一种深度学习框架，能够捕捉跨被试和任务的共享与独特功能动态。

提出的方法

• 设计了一种双分支Transformer架构，包含两个相同的Transformer模型——一个用于回，一个用于沟，以分别建模其独特的时空功能模式。
• 每个Transformer模型集成空间模块与时间模块，从4D fMRI数据中提取特征，实现对时空动态的联合分析。
• 提出一种新颖的回-沟共性-差异解耦损失（GS-CV Loss），以显式建模回与沟之间的相互作用、共性及个体差异。
• 在HCP任务-fMRI数据集上端到端训练该框架，使用545名被试的灰度坐标fMRI数据，涵盖运动与工作记忆任务。
• 训练完成后恢复出专属于回与沟的功能脑网络（FBNs），实现其功能角色的定量比较。

实验结果

研究问题

• RQ1 回与沟在人类大脑功能网络架构中是否扮演不同的功能角色？
• RQ2 深度学习模型能否有效从fMRI数据中解耦回与沟的时空模式？
• RQ3 是否存在回与沟之间功能脑网络的核心-外围组织结构的证据？
• RQ4 回与沟的功能角色在不同认知任务（如运动与工作记忆）中如何变化？

主要发现

• 双分支Transformer模型成功解耦出专属于回与沟的功能脑网络，揭示了大脑皮层中的核心-外围组织结构。
• 在运动与工作记忆任务中，回-回功能连接概率（P_GG）显著高于回-沟（P_GS）与沟-沟（P_SS），证实了核心-外围结构的存在。
• 在50种模式分析下，运动任务中P_GG为0.82±0.07，工作记忆任务中为0.62±0.05；P_GS分别为0.11±0.04与0.24±0.02；P_SS分别为0.07±0.04与0.13±0.04。
• 在200种模式下，P_GG仍占主导地位，分别为0.80±0.06（运动）与0.70±0.04（WM），而P_GS与P_SS虽上升但保持较低水平，支持核心-外围动态的一致性。
• 消融实验表明，核心-外围模式在不同模式数与预设阈值下均具鲁棒性，始终观察到P_GG > P_GS > P_SS。