尋找大腦網路中的節點
大腦是巨大而複雜的神經網路，要將網路分析的方法應用在腦科學研究中，最直觀的方式就是將每個神經元視為節點，以突觸為連線。但人腦有將近一兆個神經元、每個神經元約有十萬個突觸，這樣的巨大網路遠遠超過當今電腦能夠處理的計算量，因此如何定義節點、找出簡化但具有代表性的網路就成了重要的課題。
在現今以fMRI資料為基礎的功能性腦網路研究中，定義節點主要有兩種方式：以voxel為節點或另外定義「興趣區」（ROIs, regions of interest）。Voxel 即是三維空間中的 pixel，目前fMRI的解析度，每個voxel的邊長約是數個釐米，每個voxel包含五至六百萬個神經元。ROI則是利用解剖學、組織學上的先備知識劃分的區域（也有可能依據實驗數據而有特定的劃分方式），每個ROI包含許多voxel。以ROI為節點進行網路分析可以進一步降低計算量，透過平均也可以中和掉實驗中的雜訊，但同時也犧牲了解析度。
要如何知道ROI的劃分是否適當？以ROI為節點的腦網路，和原本以voxel為節點的網路相較，還具有相同的特性與功能嗎？芬蘭阿爾托大學（Aalto University）的研究團隊以單一個ROI中voxel的活動時間序列量化該ROI的一致性，發現大部分ROI中的voxel活動相關性雖然較平均稍高，但在大腦中不同ROI的一致性並不一定，還是有許多一致性很低的ROI存在。一致性很低代表該ROI中的voxel可能不負責同樣的功能，如此一來在平均的過程中可能就會遺失重要的訊號。這個研究結果顯示，在腦網路研究中ROI的使用需要經過更嚴謹的檢視。而由綜合了數百萬個神經元的voxel提供給我們的fMRI數據，是否也有同樣的問題，也值得進一步探討。
原始論文：
http://www.mitpressjournals.org/doi/abs/10.1162/NETN_a_00013
參考資料：
https://jarisaramaki.fi/2017/08/24/functional-brain-networks-the-problem-of-node-definition/
撰稿：
李宛儒
在現今以fMRI資料為基礎的功能性腦網路研究中，定義節點主要有兩種方式：以voxel為節點或另外定義「興趣區」（ROIs, regions of interest）。Voxel 即是三維空間中的 pixel，目前fMRI的解析度，每個voxel的邊長約是數個釐米，每個voxel包含五至六百萬個神經元。ROI則是利用解剖學、組織學上的先備知識劃分的區域（也有可能依據實驗數據而有特定的劃分方式），每個ROI包含許多voxel。以ROI為節點進行網路分析可以進一步降低計算量，透過平均也可以中和掉實驗中的雜訊，但同時也犧牲了解析度。
要如何知道ROI的劃分是否適當？以ROI為節點的腦網路，和原本以voxel為節點的網路相較，還具有相同的特性與功能嗎？芬蘭阿爾托大學（Aalto University）的研究團隊以單一個ROI中voxel的活動時間序列量化該ROI的一致性，發現大部分ROI中的voxel活動相關性雖然較平均稍高，但在大腦中不同ROI的一致性並不一定，還是有許多一致性很低的ROI存在。一致性很低代表該ROI中的voxel可能不負責同樣的功能，如此一來在平均的過程中可能就會遺失重要的訊號。這個研究結果顯示，在腦網路研究中ROI的使用需要經過更嚴謹的檢視。而由綜合了數百萬個神經元的voxel提供給我們的fMRI數據，是否也有同樣的問題，也值得進一步探討。
原始論文：
http://www.mitpressjournals.org/doi/abs/10.1162/NETN_a_00013
參考資料：
https://jarisaramaki.fi/2017/08/24/functional-brain-networks-the-problem-of-node-definition/
撰稿：
李宛儒
留言
張貼留言