[论文解读] Visualization in Connectomics

Hanspeter Pfister, Verena Kaynig+5 more|arXiv (Cornell University)|Jun 7, 2012

Functional Brain Connectivity Studies参考文献 84被引用 9

一句话总结

本文全面综述了连接组学中的可视化技术，重点聚焦于从宏观、中观和微观尺度提取并分析结构连接、功能连接和有效连接的基于图像的方法。文章提出了脑网络的可视化框架，包括功能单元（FU）图和图平均方法，实现了在不同条件下对EEG与fMRI数据的对比分析。

ABSTRACT

Connectomics is a field of neuroscience that analyzes neuronal connections. A connectome is a complete map of a neuronal system, comprising all neuronal connections between its structures. The term "connectome" is close to the word "genome" and implies completeness of all neuronal connections, in the same way as a genome is a complete listing of all nucleotide sequences. The goal of connectomics is to create a complete representation of the brain's wiring. Such a representation is believed to increase our understanding of how functional brain states emerge from their underlying anatomical structure. Furthermore, it can provide important information for the cure of neuronal dysfunctions like schizophrenia or autism. In this paper, we review the current state-of-the-art of visualization and image processing techniques in the field of connectomics and describe some remaining challenges.

研究动机与目标

• 为应对脑成像数据规模和复杂性不断增加所带来的对先进可视化技术的日益增长的需求。
• 综述在宏观、中观和微观尺度下，从图像数据中提取连接信息的最先进技术方法。
• 将多模态数据（例如EEG、fMRI、光镜）整合到统一的可视化框架中，以支持对比性网络分析。
• 通过支持在不同条件或不同受试者之间直接比较网络，实现对脑网络的可视化引导分析。
• 开发能够保持脑图拓扑关系与空间关系的同时，支持统计比较的可视化方法。

提出的方法

• 采用脑图表示法 G(N;E)，其中节点 N 和加权边 E 用于建模解剖和功能连接。
• 使用连接矩阵 C，其中元素 c_ij 表示相互作用强度，并通过阈值化方法揭示关键连接。
• 应用脑图的空间可视化，以展示真实的解剖结构和物理连接模式。
• 利用颜色编码的矩阵视图来可视化连接矩阵，从而实现对相互作用模式的快速检查。
• 提出用于EEG数据的功能单元（FU）图，其中FU是由空间上相邻且信号显著相干的电极组成的团簇。
• 采用图平均方法，通过节点和边的频率分析，计算出反映群体水平相干性的平均FU图，同时保留个体差异。

实验结果

研究问题

• RQ1 可视化技术如何支持在连接组学中对多尺度脑连接数据的分析？
• RQ2 在不同受试者或实验条件下，比较脑网络的最有效方法是什么？
• RQ3 功能单元（FU）图如何用于可视化和比较不同频段或受试者之间的EEG相干性网络？
• RQ4 哪些可视化策略能够实现将多模态数据（例如fMRI、EEG、光镜）整合到一致的连接组表示中？
• RQ5 如何利用图平均方法从多个数据集中创建具有代表性且统计意义明确的脑网络可视化？

主要发现

• 可视化对于分析基于图像的连接组学数据至关重要，尤其是在神经连接数据具有高维性和复杂性的情况下。
• 功能单元（FU）图能有效可视化多通道EEG相干性，通过将空间上接近且具有显著信号相干性的电极分组，并使用颜色编码的连线表示FU之间的相干性。
• 图平均方法可生成反映群体水平脑网络活动的平均FU图，同时通过节点和边的出现频率度量，保留个体差异。
• 该方法允许对多个FU图进行直接视觉比较，有助于识别在不同受试者或条件下共有的和可变的网络模式。
• FU图与图平均方法已在关于精神疲劳和皮质基底节变性研究的EEG数据中成功应用，证明其在临床与认知神经科学中的实用性。
• 将多模态数据整合到分层连接组表示中仍是关键挑战，需要先进的可视化与数据融合技术。