SILICA-SNC: FROM STREAMLINES TO NETWORKS

技术摘要：SILICA-SNC：从流线到网络

问题陈述
传统的结构连接组学通常通过将复杂的、连续的白质轨迹简化为离散解剖节点（如皮层分区）之间的成对关系，来对全脑纤维束追踪进行总结。虽然这提供了一种解剖连接性的表示，但它未能捕捉到完整纤维束追踪中固有的丰富、轨迹级组织。具体而言，分布式白质轨迹系统之间的关系仍未得到充分探索。作者认为，在数据驱动的结构成分本身之中，隐藏着一个“连接组”，而传统的基于节点的分析方法无法揭示这一点。

方法论
本文引入了结构网络耦合（Structural Network Coupling, SNC），这是一种基于**流线独立成分分析（Streamline Independent Component Analysis, SILICA）**构建的网络表示法。该方法主要分为两个阶段：

1. SILICA 分解：

   • 全脑纤维束追踪被表示为一个稀疏的“流线-体素”指纹矩阵 $M$。
   • SILICA 将 $M$ 分解为流线载荷矩阵 $A$ 和空间源矩阵 $S$ 的乘积（$M \approx AS$）。
   • 这产生了 $K$ 个结构成分，每个成分都通过其载荷分布 $A(:,k)$ 与原始流线明确相关联。与抽象的潜在因子不同，这些成分可以通过成分加权的纤维束追踪进行直接可视化。

2. 结构网络耦合（SNC）构建：

   • SNC 将 SILICA 成分视为网络的节点，而非解剖区域。
   • 网络的边由成分对之间的流线载荷分布的耦合程度定义。
   • 在数学上，对于受试者 $s$，SNC 矩阵定义为 $SNC_s(i,j) = C(a_{s,i}, a_{s,j})$，其中 $C$ 是一个耦合算子。
   • 在演示中，$C$ 被定义为绝对流线载荷分布的余弦相似度（公式 3）。这产生了一个量级耦合度量（$0 \leq SNC \leq 1$），它对 ICA 成分的任意符号方向不敏感。
   • 该框架允许使用替代的耦合算子（例如有符号余弦相似度或中心化相关性），以适应不同的结构或多模态研究问题。

关键结果
该方法在 30 名健康参与者的扩散磁共振成像（dMRI）数据上进行了演示，得到了 41 个具有解剖可解释性的 SILICA 成分。

• 解剖可解释性： SNC 边的特征反映了共享的轨迹结构。高耦合值对应于具有重叠解剖路径的成分（例如右侧 IFOF 与右侧 UF/IFOF），而低耦合值则对应于不同的路径类别和半球。
• 层次化组织： 对组平均 SNC 矩阵进行无监督层次聚类，揭示了一个高度组织的架构，该架构在未使用任何解剖标签的情况下，重构了已知的白质系统（连合、投射和联合系统）。
  • 数据驱动的层次结构将成分分为三个连续系统，仅出现了两次类别转换（理论最小值）。
  • 它揭示了单侧系统（投射和联合系统）内强的半球隔离性，并展示了连合成分在前后向胼胝体组织中一致的特定定位。
• 定量验证：
  • 系统内耦合显著高于跨系统耦合。
  • 连合成分与投射及联合系统的耦合强度，均高于投射和联合系统彼此之间的耦合强度，这与连合路径的跨半球作用一致。
  • 半样本分析（1,000 次迭代）展示了极高的稳定性，不同参与者子集衍生的组 SNC 边分布之间的平均相关性为 $r = 0.993$。

意义与主张
本文声称，SILICA-SNC 提供了一种全新的结构连接组分析水平，弥合了轨迹级数据与网络级组织之间的鸿沟。

• 直接对应关系： 在传统连接组中，节点是抽象区域；而在 SNC 中，节点是 SILICA 成分，它们可以直接映射回特定的白质轨迹。这保留了从网络边到底层解剖结构的“直接路径”。
• 互补表示： SNC 并非旨在取代传统的结构连接组，而是提供一种互补的视角，其中边代表分布式结构成分之间的关系，而非区域间的直接解剖连接。
• 集成基础： 通过利用其载荷分布对成分进行结构化组织，SNC 为未来结构-功能集成建立了一个概念性的平行框架，类似于基于 ICA 时间序列的结构-功能网络连接（FNC）。这为未来的结构-功能联合分析创造了一个自然的框架，允许对结构网络和功能网络进行共同分析。

作者总结道，SILICA-SNC 扩展了纤维束追踪的效用，使其从简单的轨迹分解转变为一种灵活的网络级表示，在支持图论分析和多模态集成的同时，保持了严格的解剖可解释性。