获取与功能网络相对应的标记的独立成分分析（ICA）模板的自动化流程

(资料图片仅供参考)

我们方法的一个局限性是，在我们的框架内可以生成的ICA成分模板仅限于HCP提供的690个成分。尽管该流程将为许多大脑功能找到相对最佳匹配的ICA模板，但也有一些大脑功能我们的方法无法涵盖。由于我们的流程总是会输出与HCP数据最佳匹配的输入图的ICA模板，用户应该意识到可能存在比相关性更好的匹配算法，而且没有一个普遍认可的关键相关性阈值，可以确保ICA成分真实地捕捉到有问题的功能系统。用户至少应该在决定接受ICA模板的功能标签并将其用于分析之前，视觉检查结果。

请注意，在这项工作中，我们建议生成感兴趣的大脑功能图的输入图。然而，输入可以是任何统计大脑图；例如，可以使用现在由于Allen Brain Institute（Hawrylycz等人，2012）的工作而在MNI空间内为MRI研究社区提供的基因表达图。因此，与特定基因的基因表达相对应的ICA模板可能会被研究，而不是大脑功能，这为创新研究问题提供了新的令人兴奋的机会。然而，这样的实验方法尚有待测试和验证。

我们的项目使用HCP数据来创建ICA的图谱模板。然而，尽管HCP是一项有价值且广泛使用的资源，但它在人口范围上仍然有限。这种抽样偏见减弱了大脑-行为预测模型在不同种族数据中的样本外性能（Li等人，2022）。在多大程度上可能观察到与核心静息态网络有关的人口依赖性系统差异是当前论文范围之外的实证问题。尽管如此，我们更新后的图谱中的图可能提供了一个高质量的参考，未来的研究可以使用与TR、分辨率和扫描持续时间等方面的最新获取协议相当的数据，以及使用HCP联盟（Glasser等人，2013）发布的处理流程，与其他种族或年龄组的数据进行比较。

总之，我们提供了一个框架，用于生成可以与统计参数图连接的高质量ICA模板，这样可以解决研究特定功能系统的研究问题。这些与大脑功能系统相对应的参数图可以从现有的外部软件中的自动化元分析中检索，然后我们自己的工具箱可以用于从高质量和庞大的HCP数据中识别最佳匹配的ICA成分。我们相信，这种方法有可能提高研究在功能性定义的大脑网络中的一致性变化的功效、灵敏度、可重复性和可解释性。