- 2 次围观
随着人类连接组早期研究领域的不断拓展，用于研究静息态功能磁共振成像（rsfMRI）数据的分析方法数量迅速增加。随着对个体差异关注度的提升，除传统的功能连接组之外，表征空间组织的脑地形图也逐渐兴起。在本研究中，我们开发了一种深度学习模型，用于嵌入网络地形图，并将其可靠地转换为个体化连接组。结果基于重建准确率（0.73{+/-}0.09）以及地形图到连接组转换的准确性（0.43{+/-}0.08）证实了该表面视觉Transformer模型的有效性。更重要的是，转换得到的连接组保留了可识别性以及脑—认知关联。这些发现建立了从空间地形到连接组的直接映射，可用于整合静息态功能磁共振成像各子领域的科学见解。这是拓宽我们对连接组概念化理解的重要一步，并有助于更广泛地整合研究发现，从而促进对人类连接组的完整理解。
在该网站上搜索此作者
摘要
信息/历史
指标
数据/代码
预览 PDF
摘要
随着该领域从人类连接组的早期研究不断扩展，用于研究静息态功能磁共振成像（rsfMRI）数据的分析方法数量迅速增长。随着对个体差异的关注不断增加，除传统的功能连接组之外，关于空间组织的拓扑脑图也逐渐兴起。在此，我们开发了一种深度学习模型，用于嵌入网络拓扑图，并将其准确转换为个体化连接组。结果基于重建准确性（0.73±0.09）和准确的拓扑到连接组转换（0.43±0.08）证实了该基于表面视觉 Transformer 的模型的有效性。重要的是，转换后的连接组保留了可识别性以及脑—认知关联。这些发现建立了从空间拓扑到连接组的直接映射，可用于整合 rsfMRI 各子领域的科学见解。这是拓宽我们对连接组概念化理解并支持更广泛整合研究发现、从而促进对人类连接组完整理解的重要一步。
利益冲突声明
脚注
https://github.com/naranjorincon/ICAsurf2connectomes
已声明资助信息
美国国立卫生研究院， https://ror.org/01cwqze88 ，NIMH R01 MH128286 ，NIMH R01 MH132962
美国国家科学基金会 ，2139839
版权
持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。
本文依据 CC-BY 4.0 国际许可协议 提供使用。
查看讨论主题。
返回顶部
上一篇
下一篇
发布于 2026 年 6 月 8 日。
下载 PDF
数据/代码
电子邮件
感谢您有兴趣帮助传播 bioRxiv。
您的电子邮件
*
您的姓名
*
发送给
*
请输入多个地址，每行一个，或用逗号分隔。
您将要发送以下内容的电子邮件
从拓扑到连接组：迈向对静息态大脑的整合理解
邮件主题
（您的姓名）已从 bioRxiv 转发一个页面给您
邮件正文
（您的姓名）认为您可能希望查看 bioRxiv 网站上的此页面。
您的个人留言
验证码
此问题用于测试您是否为人工访客，并防止自动垃圾信息提交。
分享
从拓扑到连接组：迈向对静息态大脑的整合理解
Samuel Naranjo Rincon ， Fyzeen Ahmad ， Ty Easley ， Shirin Shoushtari ， Tristan Glatard ， Gregory Kiar ， Hailey Modi ， Simon Dahan ， Emma Robinson ， Ulugbek Kamilov ， Janine Bijsterbosch
bioRxiv 2026.06.06.730493； doi： https://doi.org/10.64898/2026.06.06.730493
分享本文：
复制
引用工具
从拓扑到连接组：迈向对静息态大脑的整合理解
Samuel Naranjo Rincon ， Fyzeen Ahmad ， Ty Easley ， Shirin Shoushtari ， Tristan Glatard ， Gregory Kiar ， Hailey Modi ， Simon Dahan ， Emma Robinson ， Ulugbek Kamilov ， Janine Bijsterbosch
bioRxiv 2026.06.06.730493； doi： https://doi.org/10.64898/2026.06.06.730493
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.06.730493v1?rss=1
🏷️ 静息态功能磁共振 脑连接组 脑地形图 深度学习 视觉Transformer 脑认知关联