《表1 基于掩版检验法检验识别大尺度脑网络的结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《拖延的大尺度脑网络效用连接模式:基于多态格兰杰因果模型分析》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

依赖于先验的Power-264模板，本文对该研究中所提取并识别的大尺度脑网络进行验证.基于本研究提出的掩版检验法（Mask），首先确定了三个靶脑网络在该模板中可能包含的体素数量.具体来说，以扣带执行控制网络为例，该网络在Power模板中共含有14个半径为6 mm的球形Mask，因此VCON=14×4/3×63×π=904.78 mm3，而本研究中单颗体素的体积（volume）则为27 mm3.显然，该网络在Power模板上的体素为469颗（n=12670/27）.将这469颗体素赋值为1，同时将待识别的IC14空间Mask利用绝对等于符号赋值为1，其余体素赋值为0.最后发现，在内和联合分析后，联合图中体素绝对等于2的数量高达456个.由此算得，IC14与先验定义的Power模板中的扣带任务执行网络覆盖率高达97.22%，因此认为该独立成分能够表征扣带执行控制网络.基于这种算法，本研究对所有IC进行了验证，结果发现所识别的三个网络均表现出与Power模板上定义的大尺度脑功能网络具有良好的重叠覆盖率（minimum coverage rate>85%），提示本研究正确地识别出了这些脑功能网络（表1）.综上，结合ICASSO分析和MLR算法的自动匹配结果，本研究从盲源静息活动的时间序列中分解提取出了20个稳定和可靠的独立成分，并从中提取和识别出了本研究所需的靶大尺度脑功能网络，即突显网络（IC11）、扣带执行控制网络（IC14）和皮层下网络（IC7）.