.png){kind=icon}
返回
A Large-Scale Neural Model Inversion Framework for Effective Connectivity Estimation
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-04937-7_1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于静息态功能磁共振成像（rs-fMRI）推断大规模全脑有效连接（EC）的计算框架开发，代表了计算神经影像学领域的重大挑战。为估算全尺度、全脑EC，我们开发了一种新的计算框架，称为大规模神经模型反演（LEMI），利用线性神经质量模型和高效的基于卡尔曼滤波器的梯度下降算法。LEMI的关键优势包括能够快速估计大规模网络中区域内部和区域间的连接强度，允许在神经科学问题中探索内在和外部机制。通过真实模拟，我们证明LEMI可在90分钟内准确高效地恢复包含100个区域的大网络的模型参数。随后，我们将LEMI模型应用于ADNI数据库中的经验rs-fMRI数据集，并在阿尔茨海默病患者（AD）中识别出广泛降低的兴奋-抑制（E-I）比率。总体而言，LEMI提供了一种高效且准确的计算框架，用于基于非侵入性神经影像数据估算大规模EC和全脑E-I平衡。
Keyword:
Neural Mass Model
Effective Connectivity
Optimization
期刊
机构
引用论文
Regression dynamic causal modeling for resting-state fMRI静息态功能磁共振成像的回归动态因果建模.png)
HUMAN BRAIN MAPPING
OAAI
HUMAN BRAIN MAPPINGIF3.3
OAAI分享收藏An automated labeling system for subdividing the human cerebral cortex on MRI scans into gyral based regions of interestNeuroImage
NeuroImageIF0
PREAI
分享收藏Large-scale brain networks and psychopathology: a unifying triple network model大规模脑网络和精神病理学: 统一的三重网络模型
PREAI
分享收藏分享收藏The minimal preprocessing pipelines for the Human Connectome Project人类连接体项目的最小预处理管道NeuroImage
OAAI
NeuroImageIF0
OAAI分享收藏Multiscale neural modeling of resting-state fMRI reveals executive-limbic malfunction as a core mechanism in major depressive disorderNEUROIMAGE-CLINICALOAAI
NEUROIMAGE-CLINICALIF3.6
OAAI分享收藏
查看更多内容