Dokument: Effective connectivity of task-evoked and resting-state brain networks: Relationships to aging and behavior

Titel:	Effective connectivity of task-evoked and resting-state brain networks: Relationships to aging and behavior
URL für Lesezeichen:	https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=70928
URN (NBN):	urn:nbn:de:hbz:061-20251008-101606-4
Kollektion:	Dissertationen
Sprache:	Englisch
Dokumententyp:	Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:	Text
Autor:	Shufei, Zhang [Autor]
Dateien:	[Dateien anzeigen] Adobe PDF [Details] 23,34 MB in einer Datei [ZIP-Datei erzeugen] Dateien vom 08.10.2025 / geändert 08.10.2025
Beitragende:	PD Dr. Popovych, Oleksandr [Gutachter] Prof. Dr. Florin, Esther [Gutachter]
Stichwörter:	Effective connectivity, Dynamic causal modeling (DCM), Functional MRI (fMRI), Data processing, Behavioral prediction, Brain networks
Dewey Dezimal-Klassifikation:	600 Technik, Medizin, angewandte Wissenschaften » 610 Medizin und Gesundheit
Beschreibungen:	Die Erforschung neuronaler Grundlagen menschlichen Verhaltens ist ein Kernziel der Neurobildgebung. Traditionelle Methoden wie funktionelle Konnektivität (FC) basierend auf Pearson-Korrelationen in fMRT-Daten werden häufig zur Vorhersage individueller Verhaltensunterschiede genutzt, erfassen jedoch keine dynamischen kausalen Interaktionen. Effektive Konnektivität (EC) quantifiziert dagegen gerichtete, biologisch plausible Wechselwirkungen und ermöglicht tiefere Einblicke in Gehirn-Verhaltens-Beziehungen. EC-Studien stehen jedoch vor Herausforderungen wie methodischer Variabilität, unerforschtem prädiktiven Nutzen zustandsspezifischer Konnektivität und klinischer Anwendbarkeit. Diese Arbeit adressiert diese Herausforderungen. Zunächst untersucht sie, wie Datenverarbeitungsmethoden (GLM in blockbasiertem vs. ereignisbezogenem Design) und Aktivierungskontraste die EC-Schätzung während einer Reiz-Reaktions-Kompatibilitätsaufgabe (SRC) beeinflussen. Ergebnisse zeigen deutliche Variationen in EC-Stärke und -Zuverlässigkeit über Parameterkonstellationen hinweg, mit einem Kompromiss zwischen Sensitivität und Stabilität. Die Parameterwahl muss an Forschungsziele geknüpft werden. Basierend darauf vergleicht diese Arbeit den Nutzen intrinsischer und aufgabenmodulierter Komponenten aufgabeninduzierter EC zur Vorhersage von Alter und Reaktionszeit (RT) in der SRC-Aufgabe. Beide EC-Modalitäten zeigen spezifische verhaltensbezogene Merkmale: Aufgabenmodulierte EC korreliert stärker mit RT, intrinsische EC sagt Alter besser vorher. Entscheidend ist die GLM-Wahl: Nur ereignisbezogene Designs liefern statistisch signifikante Vorhersagen für beide EC-Modalitäten. Abschließend wird Ruhezustands-EC hinzugezogen, um deren Vorhersagekraft für den Schweregrad von Kindheitstraumata über großflächige Netzwerke zu untersuchen. Das Default-Mode-Netzwerk erwies sich als robustester Prädiktor, was dessen klinische Relevanz als möglicher Indikator für traumabedingte Krankheitszustände unterstreicht. Zusammenfassend stellt diese Arbeit EC als vielversprechendes Maß zur Modellierung von Gehirn-Verhaltens-Beziehungen dar. Durch Evaluierung methodischer Variabilität und netzwerkübergreifender Prädiktionsanalysen verbindet sie grundlagenorientierte Neurobildgebung mit verhaltensbezogenen Anwendungen. Understanding the neural basis of human behavior is a central goal of neuroimaging. Traditional neuroimaging measures such as functional connectivity (FC), derived from Pearson correlations in functional magnetic resonance imaging (fMRI) data, have been widely utilized to predict individual variability in behaviors. However, FC fails to capture the dynamic causal interactions between regions. In contrast, effective connectivity (EC) quantifies directed and biologically plausible interactions between brain regions, offering deeper mechanistic insights into the brain-behavior relationship. Despite its promise, EC research has faced challenges involving methodological variability, underexplored predictive utilities of brain state-specific connectivity, and clinical translation. This thesis addresses these challenges by first evaluating how data processing choices, such as general linear model (GLM) designs (block-based vs. event-related) and activation contrasts, impact task-evoked EC estimates during a stimulus-response compatibility (SRC) task. The results revealed evident variations in EC strength and certainty across parameter selections, showing a trade-off between sensitivity and stability. The results highlight the need to select parameters aligning with specific research objectives. Building on these methodological insights, the thesis compared the predictive utilities of intrinsic and task-modulated components of task-evoked EC for age and reaction time (RT) during the SRC task. The results demonstrated that both EC modalities captured unique behavioral variance: task-modulated EC shows stronger associations with RT, while intrinsic EC exhibits higher predictive power for age. Notably, the prediction pattern is significantly impacted by the types of GLM designs, showing that only event-related designs yield statistically significant predictive power for both EC modalities. Finally, the thesis extends to resting-state EC, examining the predictive power for childhood maltreatment severity across large-scale networks. The results identify the default mode network as the most robust predictor, highlighting its clinical relevance as a potential biomarker for trauma-related disorders. In summary, the thesis positions the EC as a promising measure for modeling brain-behavior relationships. By addressing methodological variability in EC estimation and examining its predictive power across networks, this work bridges the gap between methodological neuroimaging research and behavioral applications.
Lizenz:	Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz
Fachbereich / Einrichtung:	Medizinische Fakultät
Dokument erstellt am:	08.10.2025
Dateien geändert am:	08.10.2025
Promotionsantrag am:	08.10.2024
Datum der Promotion:	07.10.2025