Intrinsic brain activity is organized into large-scale networks displaying specific structural–functional architecture, known as resting-state networks (RSNs). RSNs reflect complex neurophysiological processes and interactions, and have a central role in distinct sensory and cognitive functions, making it crucial to understand and quantify their anatomical and functional properties. Fractal dimension (FD) provides a parsimonious way of summarizing self-similarity over different spatial and temporal scales but despite its suitability for functional magnetic resonance imaging (fMRI) signal analysis its ability to characterize and investigate RSNs is poorly understood. We used FD in a large sample of healthy participants to differentiate fMRI RSNs and examine how the FD property of RSNs is linked with their functional roles. We identified two clusters of RSNs, one mainly consisting of sensory networks (C1, including auditory, sensorimotor and visual networks) and the other more related to higher cognitive (HCN) functions (C2, including dorsal default mode network and fronto-parietal networks). These clusters were defined in a completely data-driven manner using hierarchical clustering, suggesting that quantification of Blood Oxygen Level Dependent (BOLD) signal complexity with FD is able to characterize meaningful physiological and functional variability. Understanding the mechanisms underlying functional RSNs, and developing tools to study their signal properties, is essential for assessing specific brain alterations and FD could potentially be used for the early detection and treatment of neurological disorders.

中文翻译：

---

通过分形分析表征静息状态网络中的血流动力学活动

内在的大脑活动被组织成显示特定结构-功能架构的大规模网络，称为静息状态网络 (RSN)。RSN 反映复杂的神经生理过程和相互作用，并在不同的感觉和认知功能中发挥核心作用，因此了解和量化其解剖和功能特性至关重要。分形维数 (FD) 提供了一种在不同空间和时间尺度上总结自相似性的简洁方法，但尽管它适用于功能磁共振成像 (fMRI) 信号分析，但其表征和研究 RSN 的能力却知之甚少。我们在大量健康参与者中使用 FD 来区分 fMRI RSN，并检查 RSN 的 FD 特性如何与其功能作用相关联。我们确定了两个 RSN 集群，一个主要由感觉网络（C1，包括听觉、感觉运动和视觉网络）组成，另一个与高级认知（HCN）功能更相关（C2，包括背侧默认模式网络和额顶叶网络） . 这些集群是使用层次聚类以完全数据驱动的方式定义的，这表明使用 FD 量化血氧水平依赖性 (BOLD) 信号复杂性能够表征有意义的生理和功能变异性。了解功能性 RSN 的机制，并开发工具来研究其信号特性，对于评估特定的大脑改变至关重要，FD 可能用于神经系统疾病的早期检测和治疗。一种主要由感觉网络（C1，包括听觉、感觉运动和视觉网络）组成，另一种与高级认知（HCN）功能更相关（C2，包括背侧默认模式网络和额顶叶网络）。这些集群是使用层次聚类以完全数据驱动的方式定义的，这表明使用 FD 量化血氧水平依赖性 (BOLD) 信号复杂性能够表征有意义的生理和功能变异性。了解功能性 RSN 的机制，并开发工具来研究其信号特性，对于评估特定的大脑改变至关重要，FD 可能用于神经系统疾病的早期检测和治疗。一种主要由感觉网络（C1，包括听觉、感觉运动和视觉网络）组成，另一种与高级认知（HCN）功能更相关（C2，包括背侧默认模式网络和额顶叶网络）。这些集群是使用层次聚类以完全数据驱动的方式定义的，这表明使用 FD 量化血氧水平依赖性 (BOLD) 信号复杂性能够表征有意义的生理和功能变异性。了解功能性 RSN 的机制，并开发工具来研究其信号特性，对于评估特定的大脑改变至关重要，FD 可能用于神经系统疾病的早期检测和治疗。感觉运动和视觉网络）和其他更相关的高级认知（HCN）功能（C2，包括背侧默认模式网络和额顶叶网络）。这些集群是使用层次聚类以完全数据驱动的方式定义的，这表明使用 FD 量化血氧水平依赖性 (BOLD) 信号复杂性能够表征有意义的生理和功能变异性。了解功能性 RSN 的机制，并开发工具来研究其信号特性，对于评估特定的大脑改变至关重要，FD 可能用于神经系统疾病的早期检测和治疗。感觉运动和视觉网络）和其他更相关的高级认知（HCN）功能（C2，包括背侧默认模式网络和额顶叶网络）。这些集群是使用层次聚类以完全数据驱动的方式定义的，这表明使用 FD 量化血氧水平依赖性 (BOLD) 信号复杂性能够表征有意义的生理和功能变异性。了解功能性 RSN 的机制，并开发工具来研究其信号特性，对于评估特定的大脑改变至关重要，FD 可能用于神经系统疾病的早期检测和治疗。这些集群是使用层次聚类以完全数据驱动的方式定义的，这表明使用 FD 量化血氧水平依赖性 (BOLD) 信号复杂性能够表征有意义的生理和功能变异性。了解功能性 RSN 的机制，并开发工具来研究其信号特性，对于评估特定的大脑改变至关重要，FD 可能用于神经系统疾病的早期检测和治疗。这些集群是使用层次聚类以完全数据驱动的方式定义的，这表明使用 FD 量化血氧水平依赖性 (BOLD) 信号复杂性能够表征有意义的生理和功能变异性。了解功能性 RSN 的机制，并开发工具来研究其信号特性，对于评估特定的大脑改变至关重要，FD 可能用于神经系统疾病的早期检测和治疗。