Nonlinear manifold learning in functional magnetic resonance imaging uncovers a low-dimensional space of brain dynamics.
Nonlinear manifold learning in functional magnetic resonance imaging uncovers a low-dimensional space of brain dynamics.
复制标题
功能磁共振成像中的非线性流形学习揭示了脑动力学的低维空间。
DOI：
10.1002/hbm.25561
复制
发表时间：
2021-10-01
影响因子：
4.8
通讯作者：
Scheinost D
中科院分区：
文献类型：
--
作者：
Gao S;Mishne G;Scheinost D
大规模的脑动力学被认为存在于潜在的低维空间中。通常，大脑扫描的嵌入是独立于不同的认知任务或静息状态数据，忽略了这一空间中潜在的大量和共享的部分。在这里，我们建立了一个共享的、稳健的、可解释的低维脑动力学空间，可以从丰富的基于任务的功能磁共振成像（fMRI）数据中恢复。当依赖于非线性方法而不是传统的线性方法时，就会出现这种情况。这种嵌入保持了任务的适当时间进度，揭示了大脑的状态和网络整合的动态。我们证明了静息状态数据完全嵌入到相同的任务嵌入中，这表明在任务和静息状态数据中存在相似的大脑状态。我们的研究结果表明，在低维空间中分析多种认知任务的功能磁共振成像数据是可能的，也是可取的。每个任务在嵌入中独立可视化。(a) 2步扩散映射嵌入。(b) 2步主成分分析嵌入。(a)和(b)中的x、y轴限制保持相同，以便更好地进行跨任务比较
Large‐scale brain dynamics are believed to lie in a latent, low‐dimensional space. Typically, the embeddings of brain scans are derived independently from different cognitive tasks or resting‐state data, ignoring a potentially large—and shared—portion of this space. Here, we establish that a shared, robust, and interpretable low‐dimensional space of brain dynamics can be recovered from a rich repertoire of task‐based functional magnetic resonance imaging (fMRI) data. This occurs when relying on nonlinear approaches as opposed to traditional linear methods. The embedding maintains proper temporal progression of the tasks, revealing brain states and the dynamics of network integration. We demonstrate that resting‐state data embeds fully onto the same task embedding, indicating similar brain states are present in both task and resting‐state data. Our findings suggest analysis of fMRI data from multiple cognitive tasks in a low‐dimensional space is possible and desirable. Each task independently visualized in the embedding. (a) 2‐step diffusion maps embedding. (b) 2‐step principal component analysis embedding. The x, y axis limits are kept the same within (a) and (b) for better cross‐task comparison
登录
查看更多内容
影响因子：
3
作者：
Joshi A;Scheinost D;Okuda H;Belhachemi D;Murphy I;Staib LH;Papademetris X
通讯作者：
Papademetris X
影响因子：
3.7
作者：
Allen, Elena A.;Damaraju, Eswar;Calhoun, Vince D.
通讯作者：
Calhoun, Vince D.
影响因子：
5.7
作者：
Hutchison RM;Womelsdorf T;Allen EA;Bandettini PA;Calhoun VD;Corbetta M;Della Penna S;Duyn JH;Glover GH;Gonzalez-Castillo J;Handwerker DA;Keilholz S;Kiviniemi V;Leopold DA;de Pasquale F;Sporns O;Walter M;Chang C
通讯作者：
Chang C
影响因子：
5.7
作者：
Finn ES;Scheinost D;Finn DM;Shen X;Papademetris X;Constable RT
通讯作者：
Constable RT
影响因子：
16.2
作者：
Calhoun, Vince D.;Miller, Robyn;Pearlson, Godfrey;Adali, Tulay
通讯作者：
Adali, Tulay