脑结构-功能耦合解码大脑状态和个体指纹

功能活动的大脑信号在解码大脑状态(意思是区分不同的任务)和指纹(在一个大群体中识别个体)两方面都显示出了良好的结果。重要的是，这些脑信号并不能解释大脑功能发生的基础脑解剖学。最近，基于图信号处理(GSP)的结构-功能耦合研究发现，健康受试者在静息状态下平均存在从单峰向跨峰的有意义的空间梯度。在这里，我们探索了结构-功能耦合对不同大脑状态(任务)和个体受试者的特异性。我们使用了来自Human Connectome项目的100名不相关的健康受试者在休息期间和7个不同任务期间的多模态磁共振成像，并在不同的交叉验证设置下，采用支持向量机分类方法进行解码和指纹识别。我们发现，结构-功能耦合措施允许对任务解码和指纹进行准确的分类。特别地，指纹识别的关键信息被发现在功能信号中更自由的部分，其贡献显著地局限于额顶叶网络。此外，功能信号的自由部分与认知特征表现出较强的相关性，通过偏最小二乘分析证实了其与指纹的相关性。通过引入基于GSP的信号滤波和FC分解的新视角，这些结果表明，脑结构-功能耦合提供了一种新的认知信号和休息和任务期间的个体大脑组织特征。此外，它们为阐明结构连接组的低和高空间频率的作用提供了见解，导致对结构连接组图谱中表征个体的关键结构-功能信息的新理解。

1. 简介

基于功能磁共振成像(fMRI)的大脑特征的存在，是在过去20年里，随着先进的数据分析方法的发展而出现的。功能磁共振成像(fMRI)是指对任务或个人具有独特特征的特定特征。一方面，模式识别技术对神经成像数据的应用证明了fMRI解码特定任务大脑活动的能力。最近出现的深度学习在这方面取得了重大进展，即使解释习得特征的生物学意义仍然是重要的。另一方面，类似于指纹，基于fmri的特征可以准确地从一个大群体中识别个体。在Finn等人(2015)的一篇开创性论文中，功能连通性(FC)配置文件被用于跨休息状态测试-复试会话，甚至在任务和休息条件之间成功地对受试者进行分类。额顶叶网络是主体偏差的主要因素，并被证明可以预测个体的认知行为(即流动智力水平)。除了功能活动，大脑解剖特征，如皮层形态和白质结构连接，也被证明对大脑指纹有用。

在这种背景下，一个尚未被探索的大脑特征，可以为任务解码、个体指纹和行为关联提供新的见解，是功能和结构之间的耦合程度，即，大脑功能活动和连接如何与潜在的结构连接架构相一致，这是通过扩散加权(DW) MRI测量的。早期研究大脑结构-功能关系的尝试跨越了简单的方法，如相关性分析，到更复杂的模型，如全脑计算和通信模型。最近，图信号处理为结构-功能组合分析提供了一种新的框架。在此背景下，Preti和Van De Ville(2019)通过新引入的结构解耦指数(SDI)量化了每个大脑区域的结构-功能依赖程度。该节点度量量化了结构和功能之间的局部(不)对齐程度，它是通过在图频域中将结构连接组分解为谐波，并将功能信号(每个时间点的fMRI帧)投影到结构谐波所跨越的空间中来获得的。然后将功能信号滤波为低和高的结构图频率，分别得到耦合和解耦的信号分量。这两种信号的能量比例产生了大脑区域的SDI。在健康受试者的静息状态下，局部结构-功能(去)耦合表现出一种非常特有的、与行为相关的空间分布，从视觉和躯体感觉皮质等活动受下方结构高度限制的低阶功能区域，到高阶功能区域，活动更加自由。然而，在不同的任务相关状态或不同的主题中，这种配置的变化程度仍然未被探索。此外，单脑连接水平的结构-功能耦合的量化可能会为大脑组织原理及其对大脑状态和个体的独特性带来新的见解。特别是，结构-功能依赖模式表示特定任务相关状态的签名吗?它们能像大脑指纹一样唯一地识别个体吗?哪些结构-功能依赖特征与任务解码、主体指纹和个体间认知变异性更相关？

为了回答这些开放性问题，我们分析了来自人类连接组项目(HCP)的100名不相关的健康受试者在静息状态和7个不同任务中的结构和功能数据，并通过以下方式量化了它们的结构-功能特征:(i) SDI，以及(ii)新的基于GSP的FC分解。后者是通过评估与底层结构耦合或解耦程度更高的fMRI信号成分之间的功能连接性得到的，分别被称为coupled - fc (c-FC)和decoupled - fc (d-FC)。这些GSP衍生的特征量化了单个脑区域(SDI)或单个脑连接(c-FC, d-FC)水平上的脑结构-功能耦合，并用于对不同的任务和个体进行分类。在这两种情况下，分类对所有三种结构-功能耦合度量都显示出很高的准确性，跨各种交叉验证设置。基于结构-功能耦合的两个特定网络(包括区域)是任务解码或个人指纹识别的关键。然后，将结果与传统节点(节点强度)和FC的边缘度量在不了解底层结构的情况下获得的分类性能进行比较。最后，静息状态下的节点和边向结构-功能耦合与个体认知特征(包括流动智力和持续注意)相关，特别是在结构连接体的高频FC成分(d-FC)。

2. 方法简述

2.1方法和预处理

方法流程如图1所示。根据100个个体在休息和7项任务期间的fMRI时间过程(图1A)，计算了传统的边和节点FC测量(FC矩阵和FC节点强度)(图1B)。与此同时，实施了(Preti和Van De Ville, 2019年)中概述的GSP管道，将每个时间点的功能信号分解到底层结构基上，并在耦合(低频)和解耦(高频)部分对其进行滤波(图1C)。然后，分别通过耦合和解耦的FC指标和结构-解耦指标，在连接和区域层面评估结构-功能耦合(图1D)。c-FC和d-FC是由fMRI时间过程的耦合部分和解耦部分导出的FC矩阵。取而代之的是，SDI在节点水平上量化了大脑功能信号和基础结构连接网络之间的局部匹配量。接下来，从节点和边水平结构-功能耦合特征(SDI, c-FC和d-FC，图1D)，以及从不考虑底层大脑结构的FC节点和边测量(图1B)中获得的任务解码和个体指纹精度，采用支持向量机(SVM)分类进行评估(图1E)，并进行比较。最后，采用偏最小二乘相关分析(PLSC)评估不同节点和边特征与个体认知性状之间的多变量关系。

图片

图1 方法流

纳入HCP数据集U100 - HCP900数据发布的100名非相关健康受试者(受试者数量)(女性54名，男性64名，平均年龄为29.1±3.7岁)。不同任务条件下获得的fMRI(静息状态和7个任务:情绪、赌博、语言、运动、关系、社会、工作记忆)，每一个都用相位编码方向(右-左和左-右)记录，以及DW-MRI序列用最先进的管道进行预处理，以获得区域功能时间进程及其结构联系，根据HCP释放提供的区域分区(360个皮层区域和19个皮层下区域)。每个大脑区域通过多数表决程序分配到Yeo等人(2011)的7个网络中的一个，或分配到皮层下网络进行事后分析。使用相同的DW-MRI处理管道，使用球形反褶褶方法重建了包括200万条纤维的整个脑纤维图。然后，将相同的分区重新采样到扩散空间，得到结构连接体，作为连接两个区域的流线的数量，由两个区域体积的总和归一化。平均结构连通性(SC)矩阵，代表整个群体，通过平均各受试者的结构连通性值得到。

2.2 结构-功能耦合特征

采用(Preti和Van De Ville, 2019)中详细介绍的图信号处理框架，获取每个受试者和采集的结构-功能特征(SDI和新引入的c-FC和d-FC)。

2.3 解码和指纹模式

一系列的双因素方差分析分析节点SDI,节点FC强度、边FC, c-FC,或d-FC依赖因素,和个体和任务作为独立因素,对感兴趣的不同测量进行识别大脑的任务模式和个体主要影响(分别解码和指纹模式)识别。

2.4 任务解码

在任务分类之前，将任务范式从功能时间过程中回归出来，以最小化范式强加的时间混淆，目的是只保留特定任务相关状态的差异。

2.5 个体指纹

第二组支持向量机分类，具有相同的五组特征，但带有Ns=100类别，根据其功能或结构-功能耦合特征识别个体。

2.6与认知的多重相关

我们进行了PLSC分析，以评估受试者五组节点和边水平脑特征与10个认知评分之间的多元相关模式。

3.  结果

3.1不同任务的组水平结构-功能耦合模式一致

结构耦合评估与节点水平SDI,边水平c-FC和d-FC,运行任务(静息状态和七个任务:情感、赌博、语言、电机、关系、社会、工作记忆;每个获得的有2个相位编码方向)产生了大脑的每个个体区域和边水平值得模式。每个状态不同受试者的平均SDI、c-FC和d-FC概况报告在补充图S2和S3。与之前的研究结果一致，我们在感觉尤其是视觉区域发现了相对较强的结构-功能节点耦合(SDI较低)，在高级认知网络中发现了相对较强的节点解耦(SDI较高)(补充图S2)。从结构连接组(c-FC)的低空间频率中提取的功能连接信息在定性上与经典功能连接(FC)相似，在视觉和体感网络中具有很强的连接，而默认模式(DMN)和边缘网络以及其他大脑回路之间的功能连接较低。相反，从结构连接组(d-FC)的高空间频率获得的功能连接矩阵更稀疏，在静息状态网络内部和网络之间表现出反相关和正相关的模式。皮层下区域主要与皮层回路显示d-FC反相关模式(补充图S3)。

3.2 任务解码和指纹模式在空间上是不同的

作为第一步，我们分别研究了与任务间和个体间变异相关的结构-功能耦合或功能连接是否存在不同的脑模式。为此，一组双因素方差分析评估了跨被试和任务的节点和边缘测量的差异，为每个大脑测量产生了两个空间不同的全脑模式，其特征是对任务或被试都有显著影响。这些全脑模式在结构-功能耦合(SDI、c-FC、d-FC)的图2和功能连接(FC节点强度，FC)的补充图S4中得到了体现。方差分析显示，除d-FC外，所有测量都有相似的解码和指纹模式，尽管存在一些差异。总的来说，任务解码模式(图2，左)显然涉及到更明显的属于单峰大脑回路的区域，特别是视觉、体运动和听觉网络的部分。相反，指纹模式(图2，右)在空间上分布更广泛，横跨额叶、顶叶、枕叶和颞叶，包括执行控制和跨模态区域(这些区域已被一致报道有助于从功能连接识别个体)，但不包括边缘系统和前DMN。与SDI、FC节点强度和FC相比，c-FC指纹图谱显示初级和次级视觉皮质的参与较少。这些考虑也反映在静余状态网络的平均f值上，如图2所示。d-FC的解码和指纹模式与其他测量不同。只有29%的脑连接显示任务对d-FC有显著影响，这表明不同任务之间的d-FC差异较弱。因此，d-FC解码模式在空间上更分散，主要涉及初级视觉和下顶叶皮层。相反，86%的大脑连接显示受试者对d-FC有显著影响。与其他测量相比，d-FC指纹模式在空间上更具局域性，并与额顶叶执行控制网络呈现出显著的相似性(图2)。最后，以结构-功能耦合和功能连接测度为依赖因子，以主体、任务、测度和一阶交互为解释因子的组合方差分析表明，任务和测度(任务-测度交互)连接节点强度SDI和FC时，所有大脑区域的个体和测量(个体-测量交互作用)，当连接c-FC和FC (d-FC和FC)边值具有显著的组合效应。这些交互分析表明，结构-功能耦合和功能连接度量为任务和主体识别提供了互补的贡献。

图2 任务解码和个体指纹的脑模式对节点结构解耦指数(SDI)、边耦和FC(c-FC)和边解耦指数(d-FC)的影响。

3.3 结构-功能耦合能够解码与任务相关的大脑状态

基于功能连接和结构-功能耦合的节点或边水平值，使用SVM对不同的任务相关状态(静息状态和7个任务)进行分类，并从功能时间过程中回归出任务范式。

在节点度量上，基于节点结构-功能耦合(SDI)的任务分类准确率为0.756，高于基于FC节点强度的测量(0.544)，表明SDI能够优于仅基于功能数据的节点测量(即等维度)。

3.4 结构-功能解耦代表了大脑组织的个体指纹

除了描述不同的任务相关状态外，结构-功能耦合度量还显示出对不同个体的高度特异性，功能连接也是如此。识别精度的个体范围事实上从边FC的0.964到约节点水平 SDI和边d-FC的1。节点水平和沿边结构耦合测量表现略好于他们接下来，我们试图通过只在一个任务上训练SVM分类器并在另一个任务上测试它来识别个体(探索了所有的任务组合;leave-one-subject-and-task-out交叉验证)。我们的结果表明，即使在这个更具挑战性的分类设置中，个体识别对于所有功能和结构-功能耦合测量都是可能的，其准确性高于机会水平(图3)。在大多数任务组合中，FC节点强度的指纹准确率高于SDI。然而，在相同的交叉验证场景中，边水平指标的性能特别值得观察。实际上，解耦的FC达到了最好的(近乎完美的)精度，大大超过了传统FC，特别是耦合FC。一般来说，预测被试从静息状态数据(训练次数)到任务数据(测试次数)，以及从任何任务到静息状态数据，都比交叉任务预测稍微困难一些。虽然没有一个特定的成对任务组合始终优于其他组合(图3)。结果可比当量化指纹识别精度和识别速度，识别率高于随机数据的值。边功能连接的交叉任务识别率与之前的报告一致。

图3 功能和结构-功能耦合测量的跨任务指纹精度

3.5 结构-功能解耦解释了认知特征

最后，功

能和结构-功能耦合测量解释了认知特征的个体间变异，特别是持续注意和流动智力得分。特别是，额顶叶网络区域(包括双侧额后超回、背外侧额叶皮质、顶内沟和颞下回)的静息状态d-FC较强，体感、边缘和颞中区域的静息状态d-FC较弱，与更好的持续注意表现相关，如衡量个体变量对整体多变量模式贡献的d-FC和认知显著性所示(图4C)。相反，更大的静息状态FC节点强度、SDI、FC和c-FC与以更高的流动智力和空间定向为特征的认知水平，以及更低的持续注意力和口头情景记忆得分相关(图4A、B和S6)。与认知相关的FC节点强度、SDI、FC和c-FC皮质模式在空间上相似，主要涉及躯体感觉、联想和颞顶叶脑区。10次交叉验证分析表明，大脑和认知模式具有良好的泛化能力，原始和测试潜在分数之间的Pearson相关值范围为0.78到0.99(补充图S7)。

图4 休息期间经典、耦合和解耦功能连接与认知特征之间的多元相关模式。

4.  讨论

功能性神经成像数据已被证明能够提供活动和连接的测量方法，从而预测与任务执行相关的大脑状态，并识别组中的个体。与此同时，大脑形态学和结构连接也揭示了独特识别个体的能力。然而，大脑功能和结构通常被分开考虑，而结构-功能耦合在潜在的不同大脑状态(任务)和个体间变异(受试者指纹)中的相关性仍未探索。

相对于第一个，大脑功能与基础结构的结合方式可能会适应任务的要求。与此相一致的是，与任务相关的功能活动被证明可以通过特定大脑区域的结构很好地预测，每个任务都不同。然而，这种结构-功能关系如何依赖于外部刺激、认知参与和情感状态，以及这是否有助于解码不同的大脑状态仍然是一个悬而未决的问题。对于个体指纹，考虑到脑结构特征和脑功能特征在主体识别中的价值，我们可以期望脑结构-功能耦合剖面也能对个体进行独特的表征，为脑组织的个体间差异提供了一个新的维度。与这一假设相一致的是，最近的一项研究表明，结构和功能的匹配程度与认知灵活性的个体差异相关。

研究结果表明，在单个脑区和连接水平上量化的结构-功能依赖形成了个体大脑组织的显著特征，反映了认知和行为的相关性，同时保留了任务依赖信息。特别是，结构连接体的高空间频率可能包含相关的个体特异性信息，值得未来进一步关注。