通过静息态—任务态fMRI融合实现人类大脑皮层的高精度功能分区

个体特异性的皮层分区能够表征脑网络组织，而这些组织特征往往会被群体水平图谱所掩盖，这对基础神经科学和转化应用均具有广泛意义。然而，现有方法主要依赖静息态 fMRI，且未能充分利用任务诱发数据；后者能够提供关于功能特化的互补信息。这一局限性部分源于整合异质数据集所面临的挑战，这些数据集在任务设计、样本量和皮层覆盖范围等方面存在差异。在此，我们提出 mRBM-HBP，这是一种可扩展的分层贝叶斯框架，其中引入多项式受限玻尔兹曼机以建模空间依赖性，从而能够高效且灵活地整合来自不同数据集的静息态与任务态 fMRI，并推断群体水平和个体水平的皮层分区。我们表明，mRBM-HBP 在性能上可与最先进的基于静息态的分区方法相媲美，同时显著降低计算成本。通过整合大规模任务态 fMRI 数据集，我们构建了一个基于任务的分区，并证明静息态与任务态在很大程度上揭示了一致的宏观网络，而任务数据则为功能边界提供了状态特异性的细化。此外，融合静息态与任务态的群体水平图谱提高了所推断分区的准确性、可靠性和个体特异性，尤其是在个体水平数据有限的情况下。这些结果表明，整合静息态与任务态 fMRI 能够提升对功能性脑组织结构的精准描绘。

个体特异性的皮层分区能够刻画常常被群体水平脑图谱所掩盖的脑网络组织特征，这对于基础神经科学研究和转化应用均具有广泛意义。然而，现有方法主要依赖静息态 fMRI，而未充分利用任务诱发数据；后者能够提供关于功能特化的互补信息。这一局限部分源于整合异质数据集所面临的挑战，因为这些数据集在任务设计、样本量和皮层覆盖范围等方面存在差异。

在此，我们提出 mRBM-HBP，这是一种可扩展的层次贝叶斯框架，通过引入多项式受限玻尔兹曼机对空间依赖性进行建模，从而实现对来自不同数据集的静息态和任务态 fMRI 的高效、灵活整合，并推断群体水平和个体水平的皮层分区。我们表明，mRBM-HBP 在性能上可与当前最先进的基于静息态的分区方法相当，同时显著降低了计算成本。通过整合大规模任务态 fMRI 数据集，我们构建了一个基于任务的分区，并表明静息态与任务态在很大程度上揭示了一致的宏观网络，而任务数据则提供了功能边界的状态特异性细化。此外，融合静息态与任务态的群体水平图谱提高了推断分区的准确性、可靠性和个体特异性，尤其是在个体水平数据有限时更为明显。这些结果表明，整合静息态与任务态 fMRI 能够提升对功能性脑组织的精确描绘。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.11.731643v1?rss=1

🏷️ 静息态fMRI 任务态fMRI 脑皮层分区 功能连接 分层贝叶斯模型