Slepian图框架在引导式滤波中的应用——以神经影像学为例

《IEEE Transactions on Biomedical Engineering》：Graph Slepian Framework for Guided Filtering With Application to Neuroimaging

本研究提出复值编码的Slepian函数方法，用于联合分析扩散MRI获得的脑图与功能MRI信号。该方法利用任务相关/无关网络先验知识构建复值Slepian基，实现脑信号在子图上的动态重组分析，在合成数据及人类连接组数据上验证了方法有效性，未来将扩展至更多子图配置。

　　

摘要：

目标：图信号处理（Graph Signal Processing, GSP）为图和图信号的联合分析提供了新的方法。各种经典操作，如傅里叶变换和滤波，已被扩展到这一领域，同时还包括了更高级的构造，例如Slepian函数。Slepian函数为在给定子图中最大程度集中的带限图信号提供了基础。在这里，我们提出了一种新方法，该方法引入复数值来编码多个子图，从而能够更深入地分析图信号的表达方式。方法：该方法的动机应用来自神经科学领域，即联合分析通过扩散加权磁共振成像（Diffusion-Weighted MRI）获得的脑图与功能性磁共振成像（Functional MRI）得到的脑图信号。后者测量的脑活动受到底层脑图结构的限制。利用来自已知任务相关和无关的功能网络的先验知识构建的复数值Slepian函数，可以反映活动是如何动态重组的。结果：首先使用合成数据验证了该方法的可行性，然后将其应用于人类连接组项目（Human Connectome Project）的数据，揭示了脑网络交互的模式。目前的结果仅限于两个子图，但未来的工作将探索更广泛的图配置。结论：Slepian函数为解码位于图结构之上的图信号提供了新的方法。意义：这证实了所提出的方法为研究受大脑结构连接性限制的脑活动提供了一种新的表示方式。