structural covariance network

article/2025/10/29 15:25:55

structural covariance network 结构协方差网络
结构协方差网络是一个较老的概念，只是近年受到了一定的重视。
大佬 Aaron Alexander-Bloch 在2013年通过一篇综述描述了这种结构协方差网络的应用意义及前景。
既往一般是在bold信号和fiber tracking建立连接，两者也都有研究基础。而皮层结构有那么多指标，例如厚度、体积等，因此也考虑利用起来，就自然而然发展出来了结构网络。
Aaron Alexander-Bloch 认为，某节点的皮层厚度能影响其功能连接或结构连接的节点的厚度。
我的理解：我认为这句话很重要，这里的结构连接指的是fiber network。即：假设某个节点变化，它其实是多维度同步变化的，例如连接它的白质纤维束减少，它的皮层厚度就会降低（突触减少，神经元萎缩），并且它的功能bold信号也会有变化（当然不一定是降低，functional network没办法评估功能活动度降低）。这种假设是符合逻辑也容易理解的，并且大概率也符合实际，所以这就构成了结构网络的基础。

那么问题来了，结构协方差网络是直接做pearson相关吗？
答案是不是。试想一下，以cortical thickness为例，假如跟functional connection 一样直接相关，那么这个应该叫cortical connection，而不是加一个covariance单词。这个单词是有确切含义的。当然，最近我看了几篇文献，也不乏几篇不错的二区杂志的文章用的就是cortical correlation network。
事实上，结构协方差网络，做的应该是偏相关，而不是简单相关，即需要加入协变量。当我们需要做基于种子点的结构协方差网络时，是需要回归掉其他所有ROI的影响，只留下这个种子点的效应。因为也有文献用全偏相关去计算结构协方差网络。这种做法会漏掉很多关键信息。诚然，简单相关会产生许多虚假连接，不过后面大家提出random network和small world，通过划分多个阈值来综合评价网络，这样可以减少因简单相关导致的虚假连接误差。所以类似的，结构协方差网络也不必使用全偏相关建立矩阵。
Aaron Alexander-Bloch在他的文献中指出了，建议纳入age和gender去做结构协方差网络，因为皮层厚度与性别和年龄的关系最大（其中年龄为主要因素），因此这样形成的结构协方差网络，就在多个数据集或者多个被试之间具有了可比性。这个我觉得是比较有道理的。
当然，那为啥functional connection不去与年龄性别回归，做一个functional covariance network呢？我认为有2个原因，一个是functional activity与年龄和性别的关系没有那么明确，至少目前来说没有那么明确，因为它毕竟是评价的两个节点协同性。二个是以前大家考虑的比较少，大部分研究结果都是基于此，因为也就延续下来，这样使结果具有可比性。

但是谁又能说一定就没有影响呢，万一得出了有意思的结论呢，科研就是不断的试错，functional covariance network & structural covariance network。当然也有人会说，那为啥fiber network不去做协方差？因为fiber理论上来说就是实际的纤维束数量，它是真实的物理存在，相比相关性分析，它的虚假连接要少很多，所以可以直接使用raw network。

以上都是自己看文献后的一点总结和所思所想。

更正：今天手撸了一套分析代码，才发现由于自己的思想幼稚，数据处理经验缺乏，导致思维太简单。
更正的地方是functional connect 是不能做方差的。因为functional connect是用两个ROI的230时间点做pearson相关，而age和gender只有被试的数量，所以每个被试的functional connect相关性矩阵不能与基础信息做协方差回归。而只有皮层数据可以，因为皮层不包含多个时间点。

(补之前挖下的坑)

结构协方差网络

首先用aparcstats2table获取所有被试的ROI的皮层指标（这里均以thickness为例）。
得到thickness：
在这里插入图片描述
这样就是N个被试，每个被试148个ROI，形成table。
通过brainGraph构建结构协方差网络：

options(bg.subject_id='participant_id', bg.group='group')
data.l.file <- fread('aparc.a2009s_lh_thickness.csv')
data.r.file <- fread('aparc.a2009s_rh_thickness.csv')
data.l <- data.l.file[,2:75]; data.r <- data.r.file[, 2:75]
lhrh <- cbind(data.l, data.r)
# set new name for matching the atlas
library(stringr)
oldname <- colnames(lhrh)
newname <- str_replace_all(oldname, c('h_'='', '&'='_and_', '_thickness'='', '-'='.'))
colnames(lhrh) <- newname
# build structural covariance network
covars.all <- fread('subjects_71_info.csv')
covars.all[, gender := as.factor(gender)]
covars <- covars.all[,c('age', 'gender', 'group')]
covars.id <- paste0('sub-', covars.all$participant_id)
lhrh$participant_id <- covars$participant_id <- covars.id
myResids <- get.resid(lhrh, covars, atlas = 'destrieux')
densities <- seq(0.01, 0.34, 0.01) 
corrs <- corr.matrix(myResids, densities=densities)
g <- lapply(seq_along(densities), function(x) make_brainGraphList(corrs[x], modality='thickness'))
dt.G <- rbindlist(lapply(g, graph_attr_dt))  
dt.V <- rbindlist(lapply(g, vertex_attr_dt))

一步一步来看这个代码：
首先是读取freesurfer生成的thickness，然后左右半球合并成一个文件。接下来是用get.resid函数得到myResids。plot(myResids，region=‘lS_calcarine’)
在这里插入图片描述
可以看出基本是呈现正态分布的。有两个偏离点（蓝色）都是患者组的。
myResids是list格式，有rawdata和resids.all：
在这里插入图片描述
这里的rawdata就是原始数据了，然后经过使用自定义的fastLmBG(X, Y)函数，这个函数使用的是一般线性回归模型，把rawdata放进fastLmBG中，通过把年龄、性别变量回归掉，就得到resids.all矩阵了。
说到这里要提一句，一般研究是用简单皮尔逊相关或者偏相关来做的，但是这里brainGraph作者建议的是用拟合线性模型后的残差做，这个残差有专门的名字，叫studentized residuals，有时候也被称为 leave-one-out residuals。当然，如果要用偏相关做，也是没有问题的。（可能偏方差比较严格，皮尔逊相关又过于宽松。）
随后就是用corr.matrix函数生成矩阵网络。这个函数是使用Hmisc::rcorr(X$res.all)的命令来做的，格式如下：

# format
corr.matrix(resids, densities, thresholds = NULL, what = c("resids","raw"), exclude.reg = NULL, type = c("pearson", "spearman"),rand = FALSE)
# default
corr.matrix(resids, densities, thresholds = NULL, what = "resids", exclude.reg = NULL, type = "pearson",rand = FALSE)

默认是用残差做皮尔逊相关，因为在上一个阶段已经把年龄和性别回归掉了，所以再用皮尔逊，整体会比直接偏相关更柔和一些。
在这里插入图片描述
corrs经过相关计算，71X148就变成了148X148了，但是有个方便的在于，它会自动根据group分为患者组的矩阵网络和健康人的矩阵网络，这就挺好的。生成的有R值矩阵，P值矩阵，R值阈值矩阵。值得注意的是，这里的阈值，是高于阈值的部分变为1，低于阈值的部分变为0，所以整体属于无权重的无向图，非权重图，这里切记。
后面的就很简单了，把组图按照阈值切成34份，然后就可以进行图论分析了：
在这里插入图片描述
在这里插入图片描述
dim(dt.G)=[68，22]，这里的68就是342，阈值X组别，dim(dt.V)=[10064, 30]，这里的10064就是342*148，阈值X组别X节点数。
需要特别注意的是，由于每个阈值下只有1个值，无法做参数检验，只能使用置换检验来比较两组差异。这是一个特别注意的点。

当然，现在还有格兰杰因果结构协变量网络，2017年提出的，那就稍微更复杂了一点点。
具体看南京大学的一篇文献，作者开发了matlab工具包BCCT（2021年，DOI：10.3389/fnhum.2021.641961），专门用于一些结构协方差网络的分析。但是，缺点在于，这个包的manual还未发布，所以去理解这个包会比较困难。。。。。


http://chatgpt.dhexx.cn/article/jOQNaOWX.shtml

相关文章

_variant_t、CComVariant与COleVariant、CDBVariant

_variant_t、CComVariant与COleVariant、CDBVariant

目前计算机语言多种多样&#xff0c;如C、Java、Basic、Pascal等&#xff0c;此外还有JavaScript、VBScript、ActionScript等脚本语言&#xff0c;它们各自维护自己的数据类型&#xff0c;当使用C这样强类型的语言来读取数据库或者与其他语言之间来交换数据时&#xff0c;它很有…
阅读更多...
Partial correlation coefficient

Partial correlation coefficient

利用PYTHON计算偏相关系数&#xff08;Partial correlation coefficient) 在统计学中&#xff0c;我们经常使用皮尔逊相关系数来衡量两个变量之间的线性关系。然而&#xff0c;有时我们感兴趣的是理解两个变量之间的关系&#xff0c;同时控制第三个变量。 例如&#xff0c;假设…
阅读更多...
Multilevel Cooperative Coevolution for Large Scale Optimization

Multilevel Cooperative Coevolution for Large Scale Optimization

0、论文背景 本文在CCEA_G的基础上&#xff0c;提出了MLCC框架。在MLCC中&#xff0c;基于不同组大小的随机分组策略构造了一组问题分解器。演化过程分为若干个循环&#xff0c;在每个周期开始时&#xff0c;MLCC使用自适应机制根据其历史性能选择分解器。由于不同的组大小捕获…
阅读更多...
mean value coordinates(均值重心坐标)定义及证明

mean value coordinates(均值重心坐标)定义及证明

欢迎关注更多精彩 关注我&#xff0c;学习常用算法与数据结构&#xff0c;一题多解&#xff0c;降维打击。 在图形学中对于物体的描述往往是离散&#xff0c;但是在具体展示过程中我们又希望是连续。线性插值是解决离散与连续的常用手段。 三角形中的插值点击前往凸四边形中的…
阅读更多...
numpy中的convolve的理解

numpy中的convolve的理解

写在前面 浏览更多内容&#xff0c;可访问&#xff1a;http://www.growai.cn 欢迎您关注作者知乎&#xff1a;ML与DL成长之路 推荐关注公众号&#xff1a;AI成长社&#xff0c;ML与DL的成长圣地。 函数 numpy.convolve(a, v, mode‘full’)&#xff0c;这是numpy函数中的卷…
阅读更多...
Clustering Coefficient

Clustering Coefficient

Define Clustering Coefficient&#xff1a;聚类系数 Clustering Coefficient measures the degree to which nodes in a network tend to cluster or form triangles. ——聚类系数衡量网络中节点倾向于聚类或形成三角形的程度 Triadic Closure 三元闭包 The tendency of…
阅读更多...
covariate(covariate是控制变量吗)

covariate(covariate是控制变量吗)

如何用STATA对连续性变量进行meta回归分析 在stata中有个metareg命令&#xff0c;好像可以对连续变量进行回归分析。 附件中是一篇pdf文档&#xff0c;主要介绍stata中关于meta分析的命令。跟大家分享一下。 里面在提到metareg命令时&#xff0c;列举了以下三个列子&#xff1a…
阅读更多...
协方差矩阵简介（Covariance Matrix）

协方差矩阵简介（Covariance Matrix）

协方差矩阵定义 首先我们要明白&#xff0c;协方差实际是在概率论和统计学中用于衡量两个变量的总体误差,当然方差是协方差的一种特殊情况&#xff0c;即当两个变量是相同情况。它表示的是两个变量的总体的误差&#xff0c;这与只表示一个变量误差的方差不同。如果两个变量的变…
阅读更多...
covariance matrix

covariance matrix

协方差的定义 对于一般的分布&#xff0c;直接代入E(X)之类的就可以计算出来了&#xff0c;但真给你一个具体数值的分布&#xff0c;要计算协方差矩阵&#xff0c;根据这个公式来计算&#xff0c;还真不容易反应过来。这里用一个例子说明协方差矩阵是怎么计算出来的吧。 记住&…
阅读更多...
经典排序算法——堆排序

经典排序算法——堆排序

对于一个int数组&#xff0c;请编写一个堆排序算法&#xff0c;对数组元素排序。 给定一个int数组A及数组的大小n&#xff0c;请返回排序后的数组。 测试样例&#xff1a; [1,2,3,5,2,3],6 [1,2,2,3,3,5] class HeapSort { public:int* heapSort(int* A, int n) {BuildMaxHeap(…
阅读更多...
堆排序算法原理及c++实现

堆排序算法原理及c++实现

文章目录 准备知识MAX-HEAPIFY过程建堆堆排序算法总结 准备知识 堆的结构可以分为最大堆和最小堆&#xff0c;是一个完全二叉树&#xff0c;而堆排序是根据堆的这种数据结构设计的一种排序。 所谓完全二叉树即叶节点只能出现在最下层和次下层&#xff0c;并且最下面一层的结点…
阅读更多...
堆排序算法设计与分析

堆排序算法设计与分析

堆排序(HeapSort)是指利用堆积树(堆)这种数据结构所设计的一种排序算法&#xff0c;它是选择排序的一种。堆分为大根堆和小根堆&#xff0c;是完全二叉树。大根堆要求父结点的值大于或等于子结点的值&#xff0c;小根堆相反。根据大根堆的性质&#xff0c;我们可以知道最大值一…
阅读更多...
堆排序算法实现

堆排序算法实现

堆排序:结构逻辑上是完全二叉树,但是可以使用顺序存储来实现 一些二叉树的区别: 二叉树:度数最大为2并且每个子树也是二叉树 满二叉树:每层节点都是满的,没有空缺,也就是,叶子节点只能出现在最后一层 完全二叉树:限制条件比满二叉树弱化,只需要前k-1层是满二叉树结构,最后…
阅读更多...
数据结构之堆排序算法详解+C语言实现

数据结构之堆排序算法详解+C语言实现

堆 　　堆是具有以下性质的完全二叉树&#xff1a;每个结点的值都大于或等于其左右孩子结点的值&#xff0c;称为大顶堆&#xff1b;或者每个结点的值都小于或等于其左右孩子结点的值&#xff0c;称为小顶堆。 堆排序 　　堆排序是利用堆这种数据结构而设计的一种排序算法&…
阅读更多...
堆排序算法原理及实现

堆排序算法原理及实现

堆排序是排序中一种比较重要的算法&#xff0c;和快速排序一样&#xff0c;其复杂度也是O(nlogn)&#xff1b;同时也是一种原地排序算法&#xff1a;在任何时候&#xff0c;数组中只有常数个元素存储在输入数组以外。堆这种数据结构是处理海量数据比较常见的结构&#xff0c;海…
阅读更多...
堆排序算法Java

堆排序算法Java

基本原理 1):将带排序的序列构造成一个大顶堆&#xff0c;根据大顶堆的性质&#xff0c;当前堆的根节点&#xff08;堆顶&#xff09;就是序列中最大的元素 2):将堆顶元素和最后一个元素交换&#xff0c;然后将剩下的节点重新构造成一个大顶堆&#xff1b; 3):重复步骤2 小知识…
阅读更多...
堆排序算法详细分析

堆排序算法详细分析

一、堆相关概念 1.堆 堆是完全二叉树&#xff0c;即除最后一层外&#xff0c;其它层都是满的&#xff0c;且最后一层从左到右依次都有元素。如下图所示。 堆是用数组来实现的&#xff0c;图中下标就为数组的下标&#xff0c;其对应数组[5, 1, 7, 2, 8, 6, 3, 9, 4]&#xf…
阅读更多...
数据结构——堆排序（算法）

数据结构——堆排序（算法）

基本介绍 1&#xff09;、堆排序是利用堆这种数据结构而设计的一种排序算法&#xff0c;堆排序是一种选择排序&#xff0c;它的最好、最坏、平均时间复杂度均为O(nlogn)&#xff0c;它也是不稳定排序。2&#xff09;、堆是具有以下性质的完全二叉树&#xff1a;每个节点的值都…
阅读更多...
C++：堆排序算法详解

C++：堆排序算法详解

图解排序算法(三)之堆排序 预备知识 堆排序 堆排序是利用堆这种数据结构而设计的一种排序算法&#xff0c;堆排序是一种选择排序&#xff0c;它的最坏&#xff0c;最好&#xff0c;平均时间复杂度均为O(nlogn)&#xff0c;它也是不稳定排序。首先简单了解下堆结构。 堆 堆是具有…
阅读更多...
排序算法：堆排序算法实现及分析

排序算法：堆排序算法实现及分析

堆排序介绍 堆排序&#xff08;Heap Sort&#xff09;就来利用堆&#xff08;假设利用大顶堆&#xff09;进行排序的方法。它的基本思想是&#xff0c;将待排序的序列构成一个大顶堆。此时&#xff0c;整个序列的最大值就是堆顶的根结点。将它移走&#xff08;其实就是将其与堆…
阅读更多...
推荐文章

Copyright @ 2022~2023