支持視覺意象生動(dòng)性個(gè)體差異的神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

Neural network topologies supporting individual variations in vividness of visual imagery

支持視覺意象生動(dòng)性個(gè)體差異的神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

https://www.sciencedirect.com/science/article/pii/S1053811925005233

摘要

視覺意象的生動(dòng)度在個(gè)體之間存在顯著差異，但其神經(jīng)基礎(chǔ)仍不清楚。正如最近辯論所強(qiáng)調(diào)的，一個(gè)關(guān)鍵爭(zhēng)議是：早期感覺架構(gòu)是否解釋了意象，還是由高級(jí)視覺區(qū)與額-頂區(qū)的互動(dòng)來解釋。本研究考察了意象生動(dòng)度的個(gè)體差異（通過視覺意象生動(dòng)度問卷VVIQ2測(cè)量）如何與內(nèi)在腦網(wǎng)絡(luò)組織相關(guān)，使用圖論應(yīng)用于擴(kuò)散加權(quán)成像（DWI；n=525）和靜息態(tài)fMRI（n=556）的結(jié)構(gòu)和功能連接組。在意象特異性網(wǎng)絡(luò)以及三個(gè)經(jīng)典靜息態(tài)網(wǎng)絡(luò)（枕葉、突顯和默認(rèn)模式）中評(píng)估了連接性。在功能連接分析中，生動(dòng)度與左側(cè)梭狀回（一個(gè)涉及整合意象過程的高級(jí)視覺區(qū)）的局部效率正相關(guān)。在結(jié)構(gòu)連接分析中，更高的生動(dòng)度與枕葉網(wǎng)絡(luò)中更大的局部效率和聚類相關(guān)，表明生動(dòng)意象依賴于高度分離的低級(jí)視覺網(wǎng)絡(luò)。此外，右島葉皮層（突顯網(wǎng)絡(luò)的關(guān)鍵樞紐）更大的全局效率與生動(dòng)度相關(guān)，表明高效的突顯驅(qū)動(dòng)控制可能穩(wěn)定內(nèi)部意象。多變量分析發(fā)現(xiàn)，沒有單一因素比組合模型更好地解釋意象，其中梭狀意象節(jié)點(diǎn)（FIN）是最強(qiáng)的單一預(yù)測(cè)因子，而其他結(jié)構(gòu)因素對(duì)最佳整體模型有貢獻(xiàn)。這些發(fā)現(xiàn)調(diào)和了關(guān)于意象的競(jìng)爭(zhēng)解釋，證明生動(dòng)意象源于感覺基礎(chǔ)的結(jié)構(gòu)網(wǎng)絡(luò)、突顯基礎(chǔ)的調(diào)控樞紐以及高級(jí)視覺整合之間的相互作用。

關(guān)鍵詞：視覺意象生動(dòng)度 圖論 梭狀回 腦連接性 無意象癥

1. 引言

視覺意象——在沒有外部刺激的情況下在“心靈之眼”中喚起場(chǎng)景的能力——是一種基本的認(rèn)知能力，它塑造了我們的內(nèi)在體驗(yàn)（Dijkstra et al., 2019; Floridou et al., 2022; Kosslyn et al., 2001, 1995; Pearson, 2019; Pearson et al., 2015）。視覺意象被用于人類認(rèn)知的眾多方面，從回憶過去和規(guī)劃未來，到創(chuàng)造性問題解決和情緒調(diào)節(jié)（Holmes and Mathews, 2010; Kvamme et al., 2024a, 2024b; Schacter et al., 2007）。它還在臨床干預(yù)中發(fā)揮關(guān)鍵作用，幫助患者管理疼痛、克服創(chuàng)傷，并在多個(gè)領(lǐng)域提升表現(xiàn)（Alaca et al., 2025; Dijkstra et al., 2022; Dijkstra et al., 2019; Dijkstra and Fleming, 2023; Holmes et al., 2016; Meister et al., 2004; Opsommer et al., 2020; Skottnik and Linden, 2019; Weinberg, 2008）。然而，意象體驗(yàn)在個(gè)體之間差異很大，從具有異常生動(dòng)意象的人（hyperphantasia）到完全缺乏意象體驗(yàn)的人（即無意象癥，aphantasia）（Blomkvist and Marks, 2023; Cui et al., 2007; Zeman, 2024; Zeman et al., 2025, 2016）。雖然視覺意象的神經(jīng)基礎(chǔ)已被深入研究，但各種研究被聲稱支持相互競(jìng)爭(zhēng)的模型，該領(lǐng)域尚未達(dá)成共識(shí)。在本研究中，我們結(jié)合多模態(tài)磁共振成像（MRI）數(shù)據(jù)與意象生動(dòng)度評(píng)級(jí)，在圖論框架內(nèi)考察哪些假設(shè)的神經(jīng)結(jié)構(gòu)支持意象。

一個(gè)長(zhǎng)期存在的爭(zhēng)議焦點(diǎn)在于，低級(jí)早期視覺皮層（EVC；V1–V3區(qū)域）還是高級(jí)區(qū)域（如左側(cè)梭狀回）是否對(duì)意象生成至關(guān)重要。一個(gè)突出的觀點(diǎn)，由Spagna及其同事推進(jìn)（Bartolomeo et al., 2020; Liu et al., 2025; Spagna et al., 2023, 2021），將左側(cè)梭狀回——稱為梭狀意象節(jié)點(diǎn)（FIN）——定位為關(guān)鍵意象樞紐，這是一個(gè)位于腹側(cè)顳皮層的高階視覺區(qū)域，在多樣任務(wù)中一致激活。他們的對(duì)46項(xiàng)功能MRI（fMRI）研究的元分析發(fā)現(xiàn)了穩(wěn)健的梭狀回參與和最小的EVC參與，導(dǎo)致了一個(gè)神經(jīng)模型，其中意象通過自上而下的信號(hào)經(jīng)梭狀回通路驅(qū)動(dòng)基于記憶的重構(gòu)產(chǎn)生。進(jìn)一步支持來自病灶證據(jù)：Thorudottir et al. (2020)報(bào)告了一位建筑師在雙側(cè)中風(fēng)后喪失心理可視化能力而獲得無意象癥的病例，該中風(fēng)唯一包括左側(cè)梭狀回。相反，有重疊病灶的患者——有些影響EVC——保留了生動(dòng)意象，表明梭狀回可能對(duì)意象是必要的，而EVC不是（Thorudottir et al., 2020）。

梭狀回中心模型與Kosslyn的早期有影響力的解釋（Kosslyn et al., 2001, 1999, 1995）以及Dijkstra等人的最近工作形成對(duì)比，后者認(rèn)為EVC發(fā)揮基礎(chǔ)作用，特別是當(dāng)構(gòu)建細(xì)粒度、高分辨率的視覺心理圖像時(shí)（Dijkstra, 2024; Dijkstra et al., 2019, 2017; Ibá?ez-Marcelo et al., 2019; Keogh et al., 2020; Lee et al., 2012; Senden et al., 2019; Slotnick et al., 2005; Sparing et al., 2002; Vetter et al., 2014）。Dijkstra (2024)建議，群體水平上不一致的EVC發(fā)現(xiàn)反映了方法學(xué)挑戰(zhàn)，如解剖變異性和多樣策略，這些挑戰(zhàn)掩蓋了意象任務(wù)中的早期視覺激活。支持這一點(diǎn)，被試內(nèi)研究在生動(dòng)度高時(shí)展示了感知和意象在早期視覺區(qū)的強(qiáng)烈重疊（Dijkstra 2024; Dijkstra et al., 2019; Ganis et al., 2004; Kosslyn et al., 2001; Senden et al., 2019），盡管能力（Cui et al., 2007; Floridou et al., 2022）、認(rèn)知策略（Zeman et al., 2010）和解剖（Bergmann et al., 2016; Fulford et al., 2018; Hinds et al., 2009; Marks, 2025; Milton et al., 2021; Tabi et al., 2022）的個(gè)體間變異性可能在群體水平分析中掩蓋這些效應(yīng)。事實(shí)上，雖然梭狀回激活在參與者中往往更一致，但EVC信號(hào)對(duì)個(gè)體差異和任務(wù)精確性更敏感。因此，這兩種觀點(diǎn)可能都反映了意象生成的真實(shí)方面，它們?cè)谑欠駨?qiáng)調(diào)一致的群體水平募集還是變異性敏感的被試水平再激活上有所不同。這兩種理論解釋之間的辯論——梭狀回中心 vs. 枕葉涉及——可能部分反映了基本的方法學(xué)分歧，而不僅僅是矛盾發(fā)現(xiàn)。這些方法學(xué)差異指向了心理意象研究中的更廣泛?jiǎn)栴}：需要更好地考慮支持視覺意象的神經(jīng)架構(gòu)的個(gè)體間變異性。雖然大量文獻(xiàn)專注于識(shí)別跨個(gè)體共同激活的區(qū)域，但相對(duì)較少關(guān)注個(gè)體神經(jīng)架構(gòu)差異如何塑造意象能力和其生動(dòng)度。解決這一空白需要超越孤立的感興趣區(qū)域，轉(zhuǎn)向捕捉大腦分布式和互動(dòng)性質(zhì)的模型。

除了枕葉和意象特異性網(wǎng)絡(luò)之外，越來越多的證據(jù)還表明，大規(guī)模領(lǐng)域一般網(wǎng)絡(luò)塑造了視覺心理意象的體驗(yàn)。這里，突顯網(wǎng)絡(luò)，以前島葉和背側(cè)前扣帶皮層（dACC）為錨點(diǎn)，已被證明在優(yōu)先排序信息和調(diào)解內(nèi)部與外部導(dǎo)向腦狀態(tài)之間的轉(zhuǎn)換中發(fā)揮關(guān)鍵作用（Menon and Uddin, 2010; Seeley et al., 2007; Uddin et al., 2019）。該網(wǎng)絡(luò)被提出通過動(dòng)態(tài)協(xié)調(diào)默認(rèn)模式和執(zhí)行控制網(wǎng)絡(luò)的參與來調(diào)節(jié)對(duì)內(nèi)部生成內(nèi)容的訪問，包括心理意象（Goulden et al., 2014）。特別是，右前島葉已被識(shí)別為這一切換機(jī)制的中心瓶頸，支持向自生成表征的注意靈活再分配（Huang et al., 2021; Silvanto and Nagai, 2025）。通過檢測(cè)和穩(wěn)定顯著的內(nèi)部信號(hào)，突顯網(wǎng)絡(luò)可能幫助啟動(dòng)和維持心理意象——特別是當(dāng)意象必須與外部輸入或正在進(jìn)行的任務(wù)需求競(jìng)爭(zhēng)時(shí)。

為了調(diào)和更好地捕捉大量個(gè)體間認(rèn)知變異性的區(qū)域水平不一致，最近研究已從關(guān)注孤立腦激活轉(zhuǎn)向考察連接模式和網(wǎng)絡(luò)水平組織（Genon et al., 2022; Kanai and Rees, 2011; Song et al., 2022）。這是因?yàn)橛^察到即使相對(duì)簡(jiǎn)單的認(rèn)知功能也源于分布式神經(jīng)系統(tǒng)的協(xié)調(diào)活動(dòng)，而不是單個(gè)區(qū)域（Andoh and Zatorre, 2013; Lumaca et al., 2019; Tompson et al., 2018）。這一方法學(xué)轉(zhuǎn)變與網(wǎng)絡(luò)神經(jīng)科學(xué)的更廣泛興起一致，后者將大腦概念化為連接組：一個(gè)由節(jié)點(diǎn)（腦區(qū)）和邊（結(jié)構(gòu)或功能連接）組成的系統(tǒng)，支持分布式、動(dòng)態(tài)信息處理（Bassett and Sporns, 2017; Ito et al., 2017; Medaglia et al., 2015; Rabini et al., 2023）。在心理意象的語境中，這種變異性如何塑造跨個(gè)體報(bào)告的視覺意象生動(dòng)度的廣泛范圍仍 largely 未被探索。我們調(diào)查了視覺意象生動(dòng)度的個(gè)體差異（如通過視覺意象生動(dòng)度問卷（VVIQ-2）測(cè)量（Marks, 1995），一種廣泛使用的主觀視覺意象生動(dòng)度測(cè)量（Cui et al., 2007; Marks, 1995; Zeman, 2024; Zeman et al., 2025, 2020））如何與結(jié)構(gòu)和功能腦網(wǎng)絡(luò)的內(nèi)在組織相關(guān)。

為了探索這一方法，我們測(cè)試了先前涉及心理意象的四個(gè)網(wǎng)絡(luò)的連接模式：（1）基于先前任務(wù)fMRI和病灶研究的任務(wù)定義意象網(wǎng)絡(luò)；（2）代表感覺基礎(chǔ)意象模型中強(qiáng)調(diào)的早期視覺皮層區(qū)域的枕葉網(wǎng)絡(luò)；（3）突顯網(wǎng)絡(luò)，一個(gè)以先前島葉和背側(cè)前扣帶皮層為錨點(diǎn)的領(lǐng)域一般系統(tǒng)，對(duì)調(diào)節(jié)對(duì)內(nèi)部生成表征（如心理意象）的訪問至關(guān)重要（Goulden et al., 2014; Greening et al., 2022; Huang et al., 2021; Menon and Uddin, 2010; Seeley et al., 2007; Silvanto and Nagai, 2025）。最后，（4）默認(rèn)模式網(wǎng)絡(luò)（DMN），一個(gè)以內(nèi)側(cè)前額葉皮層、后扣帶皮層和角回為中心的大規(guī)模網(wǎng)絡(luò)，由于其在支持內(nèi)部導(dǎo)向思維、自參照處理和自發(fā)認(rèn)知中的中心作用而被納入，所有這些過程被認(rèn)為支撐生動(dòng)心理圖像的生成和維持（Agnati et al., 2013; Albers et al., 2013; Fulford et al., 2018; Lau and Rosenthal, 2011; Oostra et al., 2016; Pearson, 2019; Sambuco et al., 2022; Schlegel et al., 2013; Spagna et al., 2023; Zhang et al., 2018; Zvyagintsev et al., 2013）。任務(wù)定義意象網(wǎng)絡(luò)基于任務(wù)fMRI研究、有效連接分析、病灶研究和系統(tǒng)綜述的匯聚證據(jù)。該先驗(yàn)定義網(wǎng)絡(luò)包括雙側(cè)下額回（蓋部、三角部和眶部區(qū)域）（Dijkstra et al., 2017; Winlove et al., 2018）、海馬旁回（Fulford et al., 2018; Spagna et al., 2021; Tullo et al., 2022）和梭狀回（Bartolomeo, 2002; Dijkstra et al., 2017; Fulford et al., 2018; Haxby et al., 2001; Ishai et al., 2000; Spagna et al., 2021; Winlove et al., 2018）、下顳區(qū)和溝、外側(cè)枕顳皮層、頂內(nèi)溝（Dijkstra et al., 2017）、楔前葉（Cabbai et al., 2024; Cavanna and Trimble, 2006; Knauff et al., 2003; Meister et al., 2004; Zhang et al., 2021）和枕極（Dijkstra et al., 2017）。該網(wǎng)絡(luò)跨越高級(jí)概念區(qū)域（例如梭狀回、下額回）和早期感覺區(qū)域（例如枕極），捕捉了先前涉及視覺心理意象的皮層系統(tǒng)的范圍。雖然意象和枕葉網(wǎng)絡(luò)代表了我們基于直接意象證據(jù)的主要假設(shè)，但突顯和默認(rèn)模式網(wǎng)絡(luò)被作為探索性納入。突顯網(wǎng)絡(luò)的納入是由于新興證據(jù)涉及其作用——特別是前島葉——在門控對(duì)內(nèi)部生成內(nèi)容的訪問（Goulden et al., 2014; Huang et al., 2021; Silvanto and Nagai, 2025）。DMN雖然是探索性的，但已在意象文獻(xiàn)中被建議因其在情景記憶和未來思維中的作用（Sambuco et al., 2022; Zhang et al., 2018; Zvyagintsev et al., 2013），并在意象綜述中被提及（Pearson, 2019），在此值得全面考察。通過探測(cè)這些網(wǎng)絡(luò)的拓?fù)浣M織，我們旨在超越競(jìng)爭(zhēng)的區(qū)域中心解釋，而是表征分布式網(wǎng)絡(luò)屬性如何貢獻(xiàn)于主觀意象生動(dòng)度的個(gè)體差異。

圖論為這一努力提供了有原則的框架（Bassett et al., 2008; Bullmore and Sporns, 2009）。為了評(píng)估大規(guī)模整合和局部專化，我們?cè)诠?jié)點(diǎn)和網(wǎng)絡(luò)水平計(jì)算了四個(gè)圖論指標(biāo)：局部效率和聚類系數(shù)，它們索引分離，或腦區(qū)形成緊密互連模塊以支持專化處理的程度；全局效率，它索引整合（網(wǎng)絡(luò)快速跨遠(yuǎn)處區(qū)域組合信息的能力）；以及介數(shù)中心性作為樞紐性的指標(biāo)（特定節(jié)點(diǎn)在調(diào)解跨區(qū)域通信中的影響）。這些指標(biāo)允許我們量化大腦的內(nèi)在架構(gòu)如何通過特定區(qū)域的細(xì)粒度連接和意象相關(guān)網(wǎng)絡(luò)的更廣泛拓?fù)浣M織支持意象生動(dòng)度的個(gè)體變異性。

結(jié)構(gòu)和功能連接組的圖論分析允許我們橋接神經(jīng)解剖和腦動(dòng)態(tài)領(lǐng)域，提供一個(gè)更豐富的系統(tǒng)水平解釋，關(guān)于內(nèi)部心理體驗(yàn)如何在大腦中實(shí)例化（Kvamme et al., n.d.; Lumaca et al., 2024）。

穩(wěn)健映射腦-行為關(guān)聯(lián)需要大樣本以產(chǎn)生個(gè)體差異的可重復(fù)發(fā)現(xiàn)（Dubois and Adolphs, 2016; Liu et al., 2023; Marek et al., 2022; Schulz et al., 2024; Wu et al., 2023）。因此，我們的分析利用了兩個(gè)數(shù)據(jù)集，總計(jì)超過500名參與者的數(shù)據(jù)，包括靜息態(tài)功能連接和結(jié)構(gòu)連接組。

1. 方法

數(shù)據(jù)是在歐盟COST行動(dòng)CA18106（意識(shí)的神經(jīng)架構(gòu)）背景下收集的，是一個(gè)更大項(xiàng)目的一部分，該項(xiàng)目包括從一般人群中抽取的健康參與者的MRI和行為數(shù)據(jù)。本研究使用了兩個(gè)站點(diǎn)的數(shù)據(jù)：意識(shí)實(shí)驗(yàn)室（雅蓋隆大學(xué)，波蘭克拉科夫）和功能整合神經(jīng)科學(xué)中心（奧胡斯大學(xué)，丹麥）。其他具有不同目標(biāo)的研究先前已使用/發(fā)表了部分?jǐn)?shù)據(jù)（Lumaca et al., 2024; Mitchell et al., 2024; Pereira et al., 2024; Tchemerinsky Konieczny et al., 2024; Tzioridou et al., 2022），并且方法描述的部分內(nèi)容已從中改編，以確保一致性和清晰性。

雅蓋隆大學(xué)心理學(xué)研究所的當(dāng)?shù)匮芯總惱砦瘑T會(huì)批準(zhǔn)了該研究（決定編號(hào)：KE/03/042020）。丹麥中日德蘭地區(qū)倫理委員會(huì)De Videnskabsetiske Komitéer for Region Midtjylland批準(zhǔn)了該研究（項(xiàng)目ID：M-2016–69–16）。該研究遵守了《赫爾辛基宣言》中概述的原則。

2.1. 參與者

功能MRI樣本包括556名參與者：克拉科夫站點(diǎn)279名（161名女性）和奧胡斯站點(diǎn)277名（175名女性）。結(jié)構(gòu)MRI樣本包括525名參與者：克拉科夫272名（157名女性）和奧胡斯253名（160名女性）。參與者基于MRI質(zhì)量控制被選中用于本研究：所有納入數(shù)據(jù)通過了視覺檢查，并在結(jié)構(gòu)或功能連接組創(chuàng)建過程中未顯示錯(cuò)誤或損壞。所有參與者提供了書面知情同意，并因參與而獲得經(jīng)濟(jì)補(bǔ)償。整體項(xiàng)目信息可在（https://e-services.cost.eu/files/domain_files/CA/Action_CA18106/mou/CA18106-e.pdf）中獲得，其中包含COST行動(dòng)CA18106的技術(shù)附件。

2.2. 視覺意象生動(dòng)度問卷（VVIQ）

參與者在奧胡斯站點(diǎn)完成英文版、在克拉科夫站點(diǎn)完成波蘭文版的32項(xiàng)VVIQ-2（Marks, 1995）在線問卷，使用（1–5）李克特量表，并在可視化心理圖像時(shí)被指示閉眼。在線問卷大約在完成MRI掃描前一周完成，MRI掃描在一次會(huì)話中進(jìn)行。

2.3. MRI數(shù)據(jù)采集

成像數(shù)據(jù)在使用兩個(gè)站點(diǎn)的3T MRI掃描儀采集：Siemens Magnetom Skyra（克拉科夫站點(diǎn)1）和Siemens Magnetom Prisma-fit（奧胡斯，站點(diǎn)2）。采集協(xié)議在單個(gè)掃描儀能力范圍內(nèi)設(shè)計(jì)為盡可能相似。參數(shù)的細(xì)微差異（例如TE/TR定時(shí)、多帶加速）被調(diào)整以優(yōu)化每個(gè)站點(diǎn)的圖像質(zhì)量，并在統(tǒng)計(jì)模型中通過將站點(diǎn)作為協(xié)變量納入來考慮。該程序從初步偵察掃描開始。隨后是兩個(gè)靜息態(tài)fMRI序列，分別持續(xù)12分鐘和6分鐘。該會(huì)話還包括定量多參數(shù)映射（MPM）（約20分鐘），以促進(jìn)合成T1加權(quán)圖像的生成。此外，高角分辨率擴(kuò)散成像（HARDI）在約10分鐘內(nèi)進(jìn)行，所有都在持續(xù)約一小時(shí)的單次會(huì)話中。

fMRI協(xié)議包括站點(diǎn)1的1348個(gè)功能體積和站點(diǎn)2的1500個(gè)，每個(gè)參與者重復(fù)時(shí)間（TR）站點(diǎn)1為801 ms、站點(diǎn)2為700 ms，回波時(shí)間（TE）分別為33.60 ms和30 ms。設(shè)置參數(shù)為：體素大小2.5 mm3，視場(chǎng)（FOV）200 mm，翻轉(zhuǎn)角53°。

MPM協(xié)議使用Siemens供應(yīng)商提供的3D多回波擾相梯度回波（FLASH）序列實(shí)施，針對(duì)磁化轉(zhuǎn)移（MT）、質(zhì)子密度（PD）和T1對(duì)比加權(quán)進(jìn)行單獨(dú)優(yōu)化采集。對(duì)于兩個(gè)站點(diǎn)，PD和T1加權(quán)掃描的TR為18 ms，MT加權(quán)掃描為37 ms。所有序列使用六個(gè)等距回波，TE從2.46到14.76 ms。翻轉(zhuǎn)角為6°（MT）、4°（PD）和25°（T1）。所有圖像以1 mm各向同性分辨率采集，視場(chǎng)224 × 256 × 176 mm，并在前-后（AP）相位編碼方向使用GRAPPA并行成像加速（因子2）。

為了估計(jì)RF接收?qǐng)鲮`敏度（B1?），使用頭部和體部線圈額外采集低分辨率3D擾相梯度回波體積。這些體積具有4 mm3各向同性分辨率，TE ~2 ms，翻轉(zhuǎn)角6°，無并行成像。體積對(duì)（頭部/體部線圈）在每個(gè)MTw、PDw和T1w掃描前采集，以計(jì)算相對(duì)B1?圖。

用于采集HARDI數(shù)據(jù)的序列總共包括211個(gè)擴(kuò)散加權(quán)方向，跨多個(gè)b殼：b=2500 s/mm2的75個(gè)方向，b=1500 s/mm2的60個(gè)方向，b=1200 s/mm2的21個(gè)方向，b=1000 s/mm2的30個(gè)方向，b=700 s/mm2的15個(gè)方向，以及b=5 s/mm2的10個(gè)方向。對(duì)于站點(diǎn)1，所有b殼在單個(gè)系列中使用翻轉(zhuǎn)角90°、重復(fù)時(shí)間（TR）3850 ms、回波時(shí)間（TE）100 ms和體素大小2 mm3（矩陣大小：100 × 100；切片數(shù)：84）采集。對(duì)于站點(diǎn)2，使用相同協(xié)議，但TR=2850 ms和TE=71 ms。主要相位編碼方向?yàn)榍?后（AP），并額外采集一個(gè)b=0 s/mm2的體積，使用反向（后-前，PA）相位編碼方向用于EPI畸變校正。

為了創(chuàng)建合成T1加權(quán)圖，MPM圖最初經(jīng)過閾值處理以與FreeSurfer所需單位對(duì)齊（Andersson and Sotiropoulos, 2016）。R1圖通過反轉(zhuǎn)其值并應(yīng)用零閾值轉(zhuǎn)換為T1圖，隨后乘以1000。同樣，PD圖經(jīng)過零閾值處理并放大100倍。然后使用FreeSurfer的“mri_synthesize”命令生成合成FLASH圖像，使用修改的T1（源于調(diào)整的R1圖）和PD圖。可選參數(shù)用于增強(qiáng)灰質(zhì)和白質(zhì)之間的對(duì)比度，參數(shù)設(shè)置為20、30和2.5。在最后一步，合成T1加權(quán)圖像被縮小四分之一以滿足FreeSurfer的預(yù)期尺度（詳見Lumaca et al., 2024）。

2.4. DTI處理和結(jié)構(gòu)連接組構(gòu)建

dMRI數(shù)據(jù)的預(yù)處理通過專用的內(nèi)部MATLAB腳本進(jìn)行。這些腳本有效地濾除噪聲并消除常見偽影，包括Gibbs振鈴、磁敏感畸變以及渦電流引起的偽影（Kellner et al., 2016; Veraart et al., 2016）。隨后，使用MRtrix3軟件工具包進(jìn)行結(jié)構(gòu)連接組的構(gòu)建，該過程對(duì)每個(gè)參與者涉及一系列復(fù)雜的步驟。

對(duì)于連接組生成，每個(gè)參與者的數(shù)據(jù)經(jīng)歷了多步驟分析。首先，生成一個(gè)5組織類型（5tt）圖像，包括各種腦組織的掩蔽（皮層和深部灰質(zhì)、白質(zhì)、腦脊液以及“其他”），這對(duì)解剖約束纖維束追蹤（ACT）至關(guān)重要。隨后，將T1加權(quán)圖像和DWI圖像共同注冊(cè)以實(shí)現(xiàn)對(duì)齊。接下來，為每個(gè)參與者創(chuàng)建主要組織類型（白質(zhì)、灰質(zhì)、腦脊液）的響應(yīng)函數(shù)。這些個(gè)體響應(yīng)函數(shù)隨后被組合形成群體水平響應(yīng)函數(shù)。在每個(gè)腦體素中，使用多殼多組織約束球面去卷積（MSMT-CSD）計(jì)算纖維方向分布（FODs）。然后對(duì)FODs進(jìn)行歸一化。

接下來，在ACT框架內(nèi)進(jìn)行全腦概率性纖維束追蹤，包含回溯。流線種子使用SIFT模型從FOD圖像中動(dòng)態(tài)選擇，F(xiàn)OD截止值為0.06。該過程旨在每個(gè)種子最多10^9條流線，為每個(gè)連接組選擇1000萬條流線，隨后進(jìn)行球面去卷積告知的纖維束圖過濾（SIFT2）。所選流線的長(zhǎng)度范圍在最大250 mm和最小20 mm之間。連接組使用Destrieux分區(qū)用于皮層區(qū)域，以及FSL的FIRST分割用于皮層下結(jié)構(gòu)，每個(gè)均按SIFT比例系數(shù)（mu）縮放。最后一步涉及自定義管道進(jìn)行質(zhì)量控制。該過程生成5TT圖像的JPEG以及允許快速視覺檢查數(shù)據(jù)并確認(rèn)T1加權(quán)圖像與B=0圖像之間注冊(cè)的GIF。

2.5. rs-fMRI處理和功能連接組構(gòu)建

靜息態(tài)（rs-fMRI）體積的處理使用SPM CONN工具箱（版本21a）的默認(rèn)表面基預(yù)處理例程實(shí)施（Whitfield-Gabrieli and Nieto-Castanon, 2012）（http://www.nitrc.org/projects/conn）（Whitfield-Gabrieli and Nieto-Castanon, 2012），在Matlab（2016b）中實(shí)現(xiàn)。功能數(shù)據(jù)使用SPM12（r7487）進(jìn)行重對(duì)齊和去翹曲，而不使用場(chǎng)圖，采用6參數(shù)變換進(jìn)行對(duì)齊和b樣條插值進(jìn)行重采樣。異常值使用基于幀位移和全局BOLD信號(hào)偏差的ART113識(shí)別，并為每個(gè)受試者創(chuàng)建平均參考BOLD圖像，排除所有異常體積（Whitfield-Gabrieli, 2009）。功能和解剖數(shù)據(jù)的共同注冊(cè)使用互信息實(shí)現(xiàn)。功能圖像被映射到皮層表面，在腦膜和白質(zhì)表面之間平均數(shù)據(jù)層。最后，表面水平功能數(shù)據(jù)使用40次迭代擴(kuò)散步驟進(jìn)行平滑。去噪過程涉及標(biāo)準(zhǔn)管道，回歸出混淆因素，如白質(zhì)和腦脊液（CSF）信號(hào)、運(yùn)動(dòng)偽影、異常掃描、會(huì)話效應(yīng)和線性趨勢(shì)。這包括使用CompCor從白質(zhì)和CSF中提取噪聲成分。對(duì)BOLD時(shí)間序列應(yīng)用帶通頻率過濾，保留0.008 Hz至0.09 Hz之間的頻率。去噪后所有受試者的BOLD信號(hào)有效自由度被估計(jì)。

我們通過計(jì)算功能連接強(qiáng)度估計(jì)感興趣區(qū)域（ROIs）之間的區(qū)域到區(qū)域連接矩陣。這由從加權(quán)一般線性模型（GLM）衍生的Fisher變換雙變量相關(guān)系數(shù)表示，并存儲(chǔ)在功能連接矩陣中。GLM考慮了ROI對(duì)的BOLD信號(hào)時(shí)間序列之間的關(guān)聯(lián)，并加權(quán)以減輕每個(gè)運(yùn)行開始時(shí)的瞬態(tài)磁化效應(yīng)。連接矩陣僅包括Destrieux的皮層節(jié)點(diǎn)（148 × 148）（Destrieux et al., 2010）。從該矩陣中，我們提取了對(duì)應(yīng)于我們感興趣網(wǎng)絡(luò)的四個(gè)子矩陣：一個(gè)22 × 22意象網(wǎng)絡(luò)、一個(gè)代表早期視覺區(qū)的16 × 16枕葉網(wǎng)絡(luò)、一個(gè)19 × 19突顯網(wǎng)絡(luò)（圖3），以及一個(gè)29 × 29默認(rèn)模式網(wǎng)絡(luò)（DMN）（補(bǔ)充圖1）。突顯網(wǎng)絡(luò)通過將Destrieux MNI坐標(biāo)映射到Y(jié)eo7腹側(cè)注意網(wǎng)絡(luò)指定并驗(yàn)證與經(jīng)典突顯網(wǎng)絡(luò)坐標(biāo)的重疊來定義（Seeley et al., 2007）。DMN從HCP圖譜推斷，通過將Destrieux區(qū)域MNI坐標(biāo)映射到先前研究報(bào)告的網(wǎng)絡(luò)指定，選擇一致被識(shí)別為DMN部分的區(qū)域（Dubois et al., 2018; Ito et al., 2017）。所有坐標(biāo)和網(wǎng)絡(luò)見補(bǔ)充數(shù)據(jù) https://osf.io/enspz/。

2.6. 圖論分析

所有網(wǎng)絡(luò)的功能和結(jié)構(gòu)連接矩陣的創(chuàng)建遵循相同管道。連接矩陣在固定網(wǎng)絡(luò)水平成本范圍（k）（0

節(jié)點(diǎn)水平p值使用假發(fā)現(xiàn)率q<0.05（雙尾）在每個(gè)網(wǎng)絡(luò)內(nèi)每個(gè)圖指標(biāo)單獨(dú)調(diào)整多重比較（例如，突顯網(wǎng)絡(luò)內(nèi)局部效率的所有19個(gè)節(jié)點(diǎn)，然后在同一網(wǎng)絡(luò)內(nèi)單獨(dú)對(duì)聚類系數(shù)）。類似地，網(wǎng)絡(luò)水平p值在每個(gè)網(wǎng)絡(luò)內(nèi)的四個(gè)網(wǎng)絡(luò)水平測(cè)量上FDR校正（Lumaca et al., 2024; Whitfield-Gabrieli and Nieto-Castanon, 2012）。選擇FDR校正而非更保守的方法（例如Bonferroni），以平衡I型錯(cuò)誤控制與統(tǒng)計(jì)功效，這在網(wǎng)絡(luò)神經(jīng)科學(xué)研究中特別重要，用于檢測(cè)中等效應(yīng)大小同時(shí)控制預(yù)期假發(fā)現(xiàn)比例。這四個(gè)測(cè)量在節(jié)點(diǎn)和全局水平計(jì)算。全局指標(biāo)通過取節(jié)點(diǎn)水平測(cè)量的平均值計(jì)算。在節(jié)點(diǎn)水平：局部效率量化當(dāng)移除目標(biāo)節(jié)點(diǎn)時(shí)子圖交換信息的效率。它是節(jié)點(diǎn)鄰域上計(jì)算的平均全局效率（同時(shí)移除目標(biāo)節(jié)點(diǎn)）。更高的局部效率表示更大的局部信息傳輸。聚類系數(shù)測(cè)量節(jié)點(diǎn)周圍的局部互連程度。對(duì)于一個(gè)節(jié)點(diǎn)，它是其鄰居之間現(xiàn)有連接與鄰居之間最大可能連接的比率。更高的聚類表明密集的局部處理。全局效率測(cè)量信息在一個(gè)目標(biāo)節(jié)點(diǎn)與網(wǎng)絡(luò)其余部分之間交換的效率。它計(jì)算為一個(gè)節(jié)點(diǎn)與網(wǎng)絡(luò)中所有其他節(jié)點(diǎn)之間平均最短路徑長(zhǎng)度的倒數(shù)。介數(shù)中心性捕捉節(jié)點(diǎn)在交換信息中的影響（樞紐）。它計(jì)算為通過節(jié)點(diǎn)的最短路徑與網(wǎng)絡(luò)中所有最短路徑的比率。高介數(shù)中心性的節(jié)點(diǎn)參與許多最短路徑并可以控制信息傳輸。

2.7. 帶交叉驗(yàn)證的多變量回歸分析

為了評(píng)估圖論指標(biāo)對(duì)意象生動(dòng)度個(gè)體差異的聯(lián)合貢獻(xiàn)，我們使用10折交叉驗(yàn)證框架進(jìn)行多變量線性回歸，以VVIQ-2總分為因變量。預(yù)測(cè)變量包括先前單變量分析中識(shí)別的顯著圖基測(cè)量。

在每個(gè)交叉驗(yàn)證折中，我們系統(tǒng)地評(píng)估嵌套配置層次的模型性能，從單一預(yù)測(cè)變量開始并逐步添加變量，以識(shí)別表現(xiàn)最佳的組合。模型性能使用均方根誤差（RMSE）和決定系數(shù)（R2）評(píng)估。交叉驗(yàn)證后，在每個(gè)模型步驟識(shí)別最頻繁選擇的預(yù)測(cè)變量，并最終模型在完整數(shù)據(jù)集上重新擬合。比較擬合使用AIC、BIC和調(diào)整R2評(píng)估，最佳擬合模型由最小化AIC和最大化調(diào)整R2確定。

1. 結(jié)果

3.1. 實(shí)驗(yàn)設(shè)計(jì)和分析管道概述

本研究的分析管道如圖2所示（詳見“方法”部分描述）。對(duì)于每個(gè)參與者，使用Destrieux圖譜對(duì)解剖T1加權(quán)圖像進(jìn)行分區(qū)，該圖譜基于宏觀解剖標(biāo)志和細(xì)胞構(gòu)筑邊界將大腦皮層分為148個(gè)溝-回區(qū)域（74對(duì)同源對(duì)）（Destrieux et al., 2010）。這一分區(qū)用于從rs-fMRI掃描中提取區(qū)域水平時(shí)間序列數(shù)據(jù)，并構(gòu)建結(jié)構(gòu)和功能連接矩陣。在每個(gè)矩陣中，腦區(qū)（節(jié)點(diǎn)）通過反映結(jié)構(gòu)（源于DWI的白質(zhì)連接）或（源于BOLD的）功能連接的邊相連。這些矩陣因此提供了分區(qū)的腦中所有節(jié)點(diǎn)之間成對(duì)連接的全面地圖。

從完整的148 × 148矩陣中，我們提取了四個(gè)子網(wǎng)絡(luò)（任務(wù)定義意象網(wǎng)絡(luò)、枕葉、突顯和默認(rèn)模式網(wǎng)絡(luò)）進(jìn)行針對(duì)性分析。每個(gè)網(wǎng)絡(luò)的節(jié)點(diǎn)選擇如圖3所示（補(bǔ)充圖1），基于先前的功能分區(qū)和理論相關(guān)性（詳見“引言”和“方法”部分描述）。

每個(gè)網(wǎng)絡(luò)的連接矩陣使用多閾值方法在定義的網(wǎng)絡(luò)密度范圍內(nèi)過濾，隨后二值化以創(chuàng)建用于圖論分析的鄰接矩陣（Rubinov and Sporns, 2010）。對(duì)于每個(gè)參與者，在節(jié)點(diǎn)和網(wǎng)絡(luò)水平計(jì)算四個(gè)標(biāo)準(zhǔn)拓?fù)渲笜?biāo)（圖4）：局部效率和聚類系數(shù)（作為分離指標(biāo)），以及全局效率和介數(shù)中心性（作為整合和樞紐中心性的指標(biāo)）。這一分析框架允許我們?cè)u(píng)估感覺和高級(jí)皮層網(wǎng)絡(luò)拓?fù)鋵傩匀绾闻c內(nèi)部生成視覺意象的生動(dòng)度相關(guān)。

3.2. 視覺意象生動(dòng)度問卷結(jié)果

全樣本的平均VVIQ-2分?jǐn)?shù)為117.21（SD = 22.41）（范圍 = 32–160）（見圖1）。VVIQ分?jǐn)?shù)與年齡無關(guān)聯(lián)（Pearson’s r = –0.006, p = 0.89），性別之間無顯著差異（t(468.11) = –0.08, p = 0.94）。雖然VVIQ分?jǐn)?shù)的分布略偏離正態(tài)（Shapiro-Wilk W = 0.974, p < 0.001），但我們的圖論模型采用了一般線性模型（GLMs），該模型對(duì)響應(yīng)變量的中度偏離正態(tài)性具有魯棒性。多重比較使用假發(fā)現(xiàn)率（FDR）校正（Lumaca et al., 2024）。年齡、性別和站點(diǎn)在所有統(tǒng)計(jì)模型中作為干擾協(xié)變量納入，以考慮潛在混淆效應(yīng)。

3.3. 功能網(wǎng)絡(luò)的圖論結(jié)果

任務(wù)定義意象網(wǎng)絡(luò)的功能連接結(jié)果如圖5A所示（補(bǔ)充表1）。在任務(wù)定義意象網(wǎng)絡(luò)（IN）中，我們觀察到左側(cè)梭狀回的局部效率有顯著效應(yīng)，該效率與意象生動(dòng)度（VVIQ-2）正相關(guān)（F = 3.15, pFDR = 0.0384, R = 0.120）。這表明，具有更生動(dòng)心理意象的個(gè)體在這一高級(jí)視覺區(qū)表現(xiàn)出更大的局部整合。意象網(wǎng)絡(luò)中沒有其他ROI達(dá)到顯著性，并且在枕葉、突顯或默認(rèn)模式網(wǎng)絡(luò)的功能連接數(shù)據(jù)中，經(jīng)FDR校正后未發(fā)現(xiàn)ROI或網(wǎng)絡(luò)水平效應(yīng)（見補(bǔ)充表2–8）。

3.4. 結(jié)構(gòu)網(wǎng)絡(luò)的圖論結(jié)果

對(duì)于結(jié)構(gòu)連接數(shù)據(jù)，我們?cè)谡砣~網(wǎng)絡(luò)中觀察到顯著的網(wǎng)絡(luò)水平效應(yīng)（見圖5B，補(bǔ)充表4）。VVIQ分?jǐn)?shù)與局部效率（F = 2.44, pFDR = 0.0149, R = 0.102）和聚類系數(shù)（F = 2.22, pFDR = 0.0268, R = 0.098）均正相關(guān)，這兩個(gè)互補(bǔ)的功能分離測(cè)量指標(biāo)。這一匯聚表明，早期視覺網(wǎng)絡(luò)中的腦結(jié)構(gòu)通過增加分離支持生動(dòng)的心理意象。對(duì)于突顯網(wǎng)絡(luò)，我們?cè)谟覎u葉皮層（具體為右島葉的長(zhǎng)回和中央溝）觀察到顯著效應(yīng)，其中全局效率與意象生動(dòng)度正相關(guān)（F = 3.09, pFDR = 0.0407, R = 0.108）見圖5C（補(bǔ)充表6）。其他網(wǎng)絡(luò)中沒有其他單個(gè)ROI達(dá)到顯著性，也沒有觀察到突顯、默認(rèn)模式或意象網(wǎng)絡(luò)的額外網(wǎng)絡(luò)水平顯著效應(yīng)（見補(bǔ)充表1–8）。

3.5. 意象生動(dòng)度的圖拓?fù)涠嘧兞磕Ｐ?/strong>

為了評(píng)估不同圖論指標(biāo)如何共同與意象生動(dòng)度相關(guān)，我們擬合了一系列一般線性模型，使用上述分析中識(shí)別的四個(gè)先前顯著的單變量預(yù)測(cè)變量：功能意象網(wǎng)絡(luò)中的局部效率（左側(cè)梭狀回）、結(jié)構(gòu)枕葉網(wǎng)絡(luò)中的局部效率和聚類系數(shù)，以及結(jié)構(gòu)突顯網(wǎng)絡(luò)中右島葉皮層的全局效率。使用10折交叉驗(yàn)證程序基于均方根誤差（RMSE）和決定系數(shù)（R2）評(píng)估預(yù)測(cè)性能。

每個(gè)預(yù)測(cè)變量在單獨(dú)進(jìn)入時(shí)解釋了VVIQ分?jǐn)?shù)的獨(dú)特方差（見表1）。最強(qiáng)的單一預(yù)測(cè)變量是左側(cè)梭狀回的局部效率（調(diào)整R2 = 0.0169, p = 0.002），其次是右島葉的全局效率（調(diào)整R2 = 0.0080, p = 0.021）、枕葉網(wǎng)絡(luò)的局部效率（調(diào)整R2 = 0.0086, p = 0.0192）和枕葉網(wǎng)絡(luò)的聚類系數(shù)（調(diào)整R2 = 0.0077, p = 0.0251）。

跨交叉驗(yàn)證折中最頻繁選擇的模型結(jié)合了左側(cè)梭狀回和右島葉效率，平均實(shí)現(xiàn)了最佳預(yù)測(cè)性能（平均RMSE = 21.50；平均R2 = 0.0490）。基于AIC和調(diào)整R2的整體最佳擬合模型包括三個(gè)預(yù)測(cè)變量——左側(cè)梭狀回、右島葉和枕葉網(wǎng)絡(luò)效率測(cè)量（因此不包括枕葉網(wǎng)絡(luò)聚類系數(shù)；見補(bǔ)充表9）。該模型產(chǎn)生了最低的AIC（4496.14）和最高的調(diào)整R2（0.0276），支持意象、突顯和感覺系統(tǒng)的分布式貢獻(xiàn)對(duì)意象生動(dòng)度的個(gè)體差異。

結(jié)果表明，視覺意象的生動(dòng)度由以局部化信息處理為特征的網(wǎng)絡(luò)組織支持。具體而言，在VVIQ-2問卷中報(bào)告更生動(dòng)視覺意象的個(gè)體，在預(yù)定義意象網(wǎng)絡(luò)中左側(cè)梭狀回的功能局部效率更高。此外，在結(jié)構(gòu)連接組中，枕葉網(wǎng)絡(luò)在網(wǎng)絡(luò)水平上觀察到更高的局部效率和更高的聚類系數(shù)。這些圖指標(biāo)——局部效率和聚類系數(shù)——捕捉了網(wǎng)絡(luò)分離的方面，這反映了節(jié)點(diǎn)鄰居的緊密連接程度，從而支持局部化和專化信息傳輸（Bullmore and Sporns, 2009；Sporns, 2013）。這一發(fā)現(xiàn)表明，生動(dòng)視覺意象依賴于局部腦系統(tǒng)獨(dú)立于更廣泛網(wǎng)絡(luò)影響處理信息的能力。我們推論，分離的網(wǎng)絡(luò)可能通過將意象過程與全局網(wǎng)絡(luò)通信的噪聲隔離來保留詳細(xì)的視覺信息，從而提升內(nèi)部生成表征的保真度（Cohen and D’Esposito, 2016; Kvamme et al., n.d.; Parks and Madden, 2013）。這一模式與視覺心理意象的保真度可能在通過局部處理架構(gòu)保留時(shí)最優(yōu)的想法一致，該架構(gòu)防止被無關(guān)的全局神經(jīng)活動(dòng)稀釋。

4.1. 調(diào)和左側(cè)梭狀回和早期視覺皮層中心模型

結(jié)果涉及左側(cè)梭狀回和枕葉網(wǎng)絡(luò)，支持視覺意象的混合模型，調(diào)和了梭狀回中心（Bartolomeo et al., 2020; Liu et al., 2025; Spagna et al., 2023, 2021）和早期視覺皮層（EVC）中心模型之間的長(zhǎng)期辯論（Dijkstra, 2024; Kosslyn et al., 2001）。我們?cè)谡砣~網(wǎng)絡(luò)中的結(jié)構(gòu)發(fā)現(xiàn)與EVC解釋一致，表明早期視覺區(qū)的架構(gòu)支持生動(dòng)度，可能通過保留細(xì)粒度感覺細(xì)節(jié)。同時(shí)，梭狀回的功能分離與梭狀回中心觀點(diǎn)一致，表明它在組裝內(nèi)部生成視覺內(nèi)容中發(fā)揮中心整合作用。

然而，對(duì)我們結(jié)構(gòu)連接發(fā)現(xiàn)的另一種解釋值得考慮，特別是結(jié)合匯聚的病灶證據(jù)。正如Bartolomeo及其同事廣泛記錄的（Bartolomeo et al., 2020），限于枕葉皮層（EVC）的損傷通常不影響視覺心理意象，而顳區(qū)病灶——特別是那些包括梭狀回的——可以廢除意象能力（Kutsche et al., 2025）。這一模式表明，梭狀回可能對(duì)意象總體上是因果必要的，而EVC不是（Bartolomeo, 2002; Bartolomeo et al., 2020）。

從這一視角來看，枕葉網(wǎng)絡(luò)中增強(qiáng)的局部效率和聚類系數(shù)可能并非反映感覺再激活本身，而是更易于抑制的網(wǎng)絡(luò)配置。增加的局部分離可能促進(jìn)EVC區(qū)的抑制，從而減少知覺干擾——一種被提出會(huì)干擾內(nèi)部生成意象形成的神經(jīng)噪聲形式（Pearson, 2019）。

這一解釋與最近證據(jù)一致，該證據(jù)顯示無意象癥患者在自傳體提取期間EVC激活較對(duì)照組增加，指向視覺-知覺皮層的高度活動(dòng)阻礙無意象癥患者檢測(cè)較弱的意象相關(guān)信號(hào)。相反，降低的視覺皮層興奮性與更強(qiáng)的意象相關(guān)，研究顯示通過經(jīng)顱直流電刺激（tDCS）抑制早期視覺區(qū)皮層活動(dòng)可以增強(qiáng)意象生動(dòng)度（Keogh et al., 2020）。類似地，高分辨率7T fMRI研究顯示了穩(wěn)健的梭狀回激活（Liu et al., 2025），元分析證據(jù)一致指向左側(cè)梭狀回參與，而無可靠的EVC激活（Spagna et al., 2021）。

總體而言，這些發(fā)現(xiàn)表明梭狀回和早期視覺皮層在視覺意象中發(fā)揮重要但可能不同的作用。梭狀回中心和EVC涉及的視角并非互斥，而是可能捕捉互補(bǔ)機(jī)制。我們的結(jié)果與多種解釋相容：枕葉網(wǎng)絡(luò)中增強(qiáng)的結(jié)構(gòu)分離可能要么（1）反映保留細(xì)粒度感覺細(xì)節(jié)對(duì)意象內(nèi)容的貢獻(xiàn)，如傳統(tǒng)EVC中心模型所建議，要么（2）一種啟用更有效抑制知覺噪聲的架構(gòu)，允許FIN生成的意象被更生動(dòng)地體驗(yàn)，如病灶文獻(xiàn)所建議。兩種機(jī)制理論上都可能貢獻(xiàn)于意象生動(dòng)度，并且它們可能并非必然互斥。

我們的研究并非旨在直接裁決這些替代機(jī)制解釋，而是提供一個(gè)互補(bǔ)的系統(tǒng)水平解釋，強(qiáng)調(diào)枕葉和梭狀回連接在支持生動(dòng)意象中的作用。通過利用大樣本、多模態(tài)連接組學(xué)，我們的方法突顯了分布式架構(gòu)——無論支持感覺再激活、抑制控制，或兩者——如何貢獻(xiàn)于意象生動(dòng)度的個(gè)體差異。未來結(jié)合我們連接方法與因果方法（例如腦刺激或病灶-癥狀映射）的研究所需，以明確確定枕葉網(wǎng)絡(luò)分離是否通過貢獻(xiàn)或抑制支持意象。

關(guān)鍵的是，梭狀回結(jié)果源于在意象網(wǎng)絡(luò)內(nèi)的分析，該網(wǎng)絡(luò)基于先前文獻(xiàn)的匯聚證據(jù)定義。該網(wǎng)絡(luò)包括跨研究一致涉及視覺意象的區(qū)域。在左側(cè)梭狀回觀察到的節(jié)點(diǎn)水平效應(yīng)為先前關(guān)于這些區(qū)域在視覺意象中關(guān)鍵作用的提議提供了實(shí)證支持。值得注意的是，意象網(wǎng)絡(luò)中的梭狀回是功能連接組分析中唯一顯示節(jié)點(diǎn)特異效應(yīng)的區(qū)域。早期視覺和梭狀回區(qū)域的參與也可能對(duì)該領(lǐng)域正在進(jìn)行的辯論具有關(guān)鍵含義，即是否在意象樣處理在無覺知情況下發(fā)生，特別是無意象癥等狀況的個(gè)體中（Michel et al., 2025; Scholz et al., 2025; Zeman, 2024）。生動(dòng)意象者中結(jié)構(gòu)分離的枕葉網(wǎng)絡(luò)和功能專化的梭狀回節(jié)點(diǎn)的存在可能為未來關(guān)于這一問題的研究提供信息。

4.2. 右島葉全局效率與基于突顯的調(diào)控

除了在意象和枕葉網(wǎng)絡(luò)中觀察到的效應(yīng)之外，我們的分析揭示了意象生動(dòng)度與突顯網(wǎng)絡(luò)中右島葉皮層全局效率之間的一種新型結(jié)構(gòu)關(guān)聯(lián)。這一領(lǐng)域一般系統(tǒng)，以前島葉和背側(cè)前扣帶皮層（dACC）為錨點(diǎn)，同時(shí)延伸至側(cè)方和內(nèi)側(cè)前額區(qū)，在監(jiān)測(cè)內(nèi)部和外部刺激以及協(xié)調(diào)大規(guī)模腦網(wǎng)絡(luò)之間的動(dòng)態(tài)切換中發(fā)揮關(guān)鍵作用（Menon and Uddin, 2010; Seeley, 2019; Uddin et al., 2019）。我們發(fā)現(xiàn)右島葉更大的全局效率預(yù)測(cè)更高的意象生動(dòng)度，這一發(fā)現(xiàn)支持了生動(dòng)心理意象不僅涉及感覺再激活，還涉及高效參與突顯驅(qū)動(dòng)控制過程的觀點(diǎn)，這些過程調(diào)控對(duì)內(nèi)部生成內(nèi)容的訪問。值得注意的是，右前島葉已被識(shí)別為默認(rèn)模式網(wǎng)絡(luò)（DMN）——支持內(nèi)部導(dǎo)向思維——與中央執(zhí)行網(wǎng)絡(luò)（CEN）——涉及注意和認(rèn)知控制——之間轉(zhuǎn)換的因果瓶頸（Goulden et al., 2014; Wu et al., 2019）。在這一能力中，島葉被提出作為意識(shí)訪問的守門人（Huang et al., 2021），啟用心理狀態(tài)之間的轉(zhuǎn)換并穩(wěn)定內(nèi)部生成的視覺表征。具有更全局高效島葉節(jié)點(diǎn)的個(gè)體可能表現(xiàn)出更精細(xì)調(diào)節(jié)的能力，將注意資源分配向視覺心理意象，即使在面對(duì)競(jìng)爭(zhēng)感官輸入時(shí)也是如此。

我們的發(fā)現(xiàn)與新興理論一致，這些理論提出島葉不僅僅是突顯檢測(cè)器，而是內(nèi)感受、情緒和認(rèn)知信息的整合樞紐（Scalabrini et al., 2021; Silvanto and Nagai, 2025）。特別是情緒突顯可能增強(qiáng)意象的現(xiàn)象學(xué)豐富性，正如研究顯示，想象情緒荷載內(nèi)容——如恐懼條件刺激——會(huì)招募突顯網(wǎng)絡(luò)區(qū)域，尤其是在心理意象期間的右島葉（Greening et al., 2022; Wicken et al., 2021; Yin et al., 2018）。我們的突顯網(wǎng)絡(luò)效應(yīng)局限于單個(gè)節(jié)點(diǎn)——右島葉——突顯即使在分布式的突顯網(wǎng)絡(luò)中，特定樞紐也可能不成比例地影響主觀認(rèn)知現(xiàn)象。這表明意象生動(dòng)度不僅依賴于感覺保真度或語義整合，還依賴于大腦通過基于突顯的控制調(diào)節(jié)和優(yōu)先訪問內(nèi)部表征的能力。綜合起來，這些發(fā)現(xiàn)通過強(qiáng)調(diào)高級(jí)調(diào)控系統(tǒng)的貢獻(xiàn)擴(kuò)展了傳統(tǒng)的視覺心理意象感覺模型。雖然枕葉和梭狀回區(qū)域?yàn)橐庀筇峁┮曈X和概念架構(gòu)，但高效的突顯網(wǎng)絡(luò)參與——特別是通過右前島葉——可能對(duì)啟動(dòng)、維持和情緒豐富內(nèi)部生成的視覺內(nèi)容至關(guān)重要。

4.3. 整合視覺意象的結(jié)構(gòu)和功能視角

重要的是，這是第一個(gè)大規(guī)模研究（N > 500）考察結(jié)構(gòu)和功能腦網(wǎng)絡(luò)拓?fù)渑c意象生動(dòng)度個(gè)體差異關(guān)系的研究。雖然顯著關(guān)聯(lián)出現(xiàn)在不同網(wǎng)絡(luò)和模態(tài)中——左側(cè)梭狀回的局部功能分離、枕葉網(wǎng)絡(luò)的結(jié)構(gòu)分離，以及右島葉的局部結(jié)構(gòu)整合——但它們匯聚于可解釋的圖論原則。具體而言，梭狀意象網(wǎng)絡(luò)和枕葉網(wǎng)絡(luò)中的局部效率突顯了分離的、局部專化處理在支持生動(dòng)內(nèi)部視覺內(nèi)容中的作用，而右島葉突顯網(wǎng)絡(luò)中的全局效率指向分布式網(wǎng)絡(luò)整合對(duì)調(diào)控此類內(nèi)容訪問的重要性。我們的多變量模型顯示，這些指標(biāo)中的每一個(gè)解釋了VVIQ分?jǐn)?shù)的獨(dú)特方差，并且結(jié)合梭狀回、枕葉和島葉預(yù)測(cè)變量的模型實(shí)現(xiàn)了最佳預(yù)測(cè)性能。這些發(fā)現(xiàn)橋接了長(zhǎng)期存在的理論解釋——通過網(wǎng)絡(luò)水平視角連接感覺保真度（枕葉）、概念整合（梭狀回）和調(diào)控控制（島葉）。綜合起來，它們表明生動(dòng)視覺心理意象源于感覺、語義和基于突顯的控制過程的互動(dòng)，這些過程嵌入在分布式但高效組織的腦網(wǎng)絡(luò)中。

我們的發(fā)現(xiàn)進(jìn)一步強(qiáng)調(diào)了結(jié)構(gòu)和功能連接分析提供的互補(bǔ)洞見。雖然結(jié)構(gòu)連接反映大腦相對(duì)穩(wěn)定的解剖布線，功能連接捕捉動(dòng)態(tài)共激活模式。在我們的研究中，結(jié)構(gòu)連接組揭示了枕葉分離，這一特征可能與保留低級(jí)視覺細(xì)節(jié)相關(guān)。相反，功能連接組識(shí)別了高級(jí)區(qū)域（梭狀回）中的局部整合效應(yīng)，這可能促進(jìn)存儲(chǔ)視覺內(nèi)容的意識(shí)再激活。這些發(fā)現(xiàn)呼應(yīng)了網(wǎng)絡(luò)神經(jīng)科學(xué)中的更廣泛原則：復(fù)雜行為在結(jié)構(gòu)水平上由感覺皮層支持，在功能水平上由高級(jí)腦區(qū)支持（Bassett and Sporns, 2017; Lumaca et al., 2024）。類似地，結(jié)構(gòu)對(duì)功能施加約束，但兩者不必精確重疊（Hermundstad et al., 2014, 2013）。

靜息態(tài)功能連接已被證明更緊密追蹤高級(jí)認(rèn)知功能，如工作記憶和流體智力，可能由于其動(dòng)態(tài)和語境敏感性質(zhì)（Fox and Raichle, 2007; Milton et al., 2021; Schulz et al., 2024）。這些功能通常需要跨分布式腦區(qū)的靈活整合，這一過程被功能共激活模式很好捕捉。相反，結(jié)構(gòu)連接——反映穩(wěn)定的解剖布線——更預(yù)測(cè)特質(zhì)樣特征，包括年齡和感覺能力，并且特別相關(guān)于基于一致感官輸入的任務(wù)，如口語知覺（Del Gaizo et al., 2017; Lin et al., 2020）。綜合起來，這些洞見倡導(dǎo)認(rèn)知神經(jīng)科學(xué)中的多模態(tài)方法，其中結(jié)構(gòu)和功能網(wǎng)絡(luò)屬性共同告知復(fù)雜內(nèi)部現(xiàn)象（如視覺心理意象）的神經(jīng)基礎(chǔ)（Song et al., 2022）。

4.4. 局限性

本研究的局限性值得注意。目前研究依賴于視覺意象生動(dòng)度問卷（VVIQ），一種主觀自報(bào)告的隨意視覺心理意象測(cè)量（Marks, 1995）。個(gè)體內(nèi)省能力、動(dòng)機(jī)/價(jià)值觀、元認(rèn)知準(zhǔn)確性或任務(wù)框架可能影響主觀意象報(bào)告。盡管如此，VVIQ仍是評(píng)估健康和臨床人群意象生動(dòng)度最廣泛使用和驗(yàn)證良好的工具（Pearson, 2019; Zeman, 2024; Zeman et al., 2020）。近年來，已開發(fā)幾種不依賴內(nèi)省的客觀方法來量化意象強(qiáng)度，包括雙目競(jìng)爭(zhēng)啟動(dòng)、瞳孔測(cè)量和眼動(dòng)指標(biāo)（Cui et al., 2007; Kay et al., 2024, 2022; Keogh and Lau, 2024; Keogh and Pearson, 2011; Pearson, 2014; Pounder et al., 2022; Purkart et al., 2025; Razzak and Spagna, 2024; Takamura et al., 2025; Thaler et al., 2014; Wagner and Monzel, 2023）。這些方法提供重要的互補(bǔ)洞見，特別是捕捉意象相關(guān)神經(jīng)活動(dòng)和行為輸出。重要的是認(rèn)識(shí)到，VVIQ旨在評(píng)估意象的現(xiàn)象學(xué)質(zhì)量——內(nèi)部體驗(yàn)的主觀生動(dòng)度——而非意象依賴任務(wù)的表現(xiàn)。更廣泛而言，VVIQ上的更高分?jǐn)?shù)可能不僅捕捉視覺意象本身的生動(dòng)度，還捕捉支持內(nèi)部體驗(yàn)構(gòu)建的相關(guān)認(rèn)知過程。這些可能包括視覺記憶提取、語義闡述、注意焦點(diǎn)和元認(rèn)知覺知。因此，我們研究中識(shí)別的神經(jīng)相關(guān)——特別是在高級(jí)視覺區(qū)如梭狀回——可能反映支持意象相關(guān)過程的更廣泛網(wǎng)絡(luò)架構(gòu)，而非孤立的意象。這一更廣泛解釋與將心理意象視為涉及記憶、知覺和概念整合的分布式、重構(gòu)過程的理論解釋一致。未來研究可能受益于結(jié)合主觀和客觀測(cè)量，以更精確分離貢獻(xiàn)于意象生動(dòng)度個(gè)體差異的意象組件。

我們的圖論分析在預(yù)定義網(wǎng)絡(luò)內(nèi)進(jìn)行，而非全腦水平。這一方法基于大腦通過功能專化網(wǎng)絡(luò)運(yùn)作的原則，這些網(wǎng)絡(luò)在任務(wù)執(zhí)行和休息期間具有協(xié)調(diào)激活模式。基于網(wǎng)絡(luò)的分析通過減少多重比較并理論驅(qū)動(dòng)地關(guān)注涉及心理意象過程的網(wǎng)絡(luò)，提供增加的統(tǒng)計(jì)功效。然而，圖論指標(biāo)本質(zhì)上依賴于網(wǎng)絡(luò)邊界定義。因此，我們的發(fā)現(xiàn)可在定義的網(wǎng)絡(luò)架構(gòu)語境中解釋，而非作為腦組織的絕對(duì)測(cè)量。此外，有人可能爭(zhēng)論將結(jié)構(gòu)和功能連接視為獨(dú)立數(shù)據(jù)點(diǎn)代表了對(duì)底層神經(jīng)生物現(xiàn)實(shí)的過度簡(jiǎn)化。鑒于結(jié)構(gòu)連接提供約束功能動(dòng)態(tài)的解剖支架，未來工作可采用明確建模這些結(jié)構(gòu)-功能依賴的方法，如可將功能連接條件于底層結(jié)構(gòu)架構(gòu)的圖注意網(wǎng)絡(luò)（GATs）（Bessadok et al., 2023; Qu et al., 2025），或整合兩種連接類型的多模態(tài)融合技術(shù)（Calhoun and Sui, 2016）。這些方法可提供更機(jī)制性地基于的理解，關(guān)于腦組織如何支持意象生動(dòng)度，同時(shí)考慮結(jié)構(gòu)和功能網(wǎng)絡(luò)屬性之間的復(fù)雜相互依賴。

需要考慮的一個(gè)方面是我們使用靜息態(tài)fMRI，其中參與者在掃描期間未被明確指示從事心理意象。靜息態(tài)范式允許在休息期間廣泛表征內(nèi)在腦網(wǎng)絡(luò)屬性，但可能錯(cuò)過與個(gè)體特質(zhì)相關(guān)的狀態(tài)特異動(dòng)態(tài)。這一局限性被我們對(duì)VVIQ作為意象能力測(cè)量的依賴加劇。Runge et al. (2017)的綜合元分析捕捉了意象文獻(xiàn)的大部分，證明逐試驗(yàn)生動(dòng)度評(píng)級(jí)在行為/認(rèn)知和神經(jīng)科學(xué)測(cè)量中一致顯示顯著更大的效應(yīng)大小比VVIQ。VVIQ與逐試驗(yàn)評(píng)級(jí)之間的平均相關(guān)為中等（r ≈ 0.40），表明這些測(cè)量捕捉意象體驗(yàn)的部分不同方面（D’Angiulli et al., 2013），具有不同（Bergmann et al., 2016）和有時(shí)重疊（Duan et al., 2025）的腦相關(guān)，取決于所用范式。因此，雖然我們的發(fā)現(xiàn)為與VVIQ測(cè)量的特質(zhì)意象能力相關(guān)的網(wǎng)絡(luò)屬性提供了重要洞見，但它們可能不直接轉(zhuǎn)化為支持主動(dòng)意象任務(wù)期間生動(dòng)意象體驗(yàn)的神經(jīng)機(jī)制。這些考慮呼吁大規(guī)模研究采用綜合電池，結(jié)合逐試驗(yàn)生動(dòng)度評(píng)級(jí)、多樣意象能力行為測(cè)量和特質(zhì)水平評(píng)估如VVIQ，在任務(wù)基fMRI期間，以更好地表征視覺意象的多面性質(zhì)及其神經(jīng)基底。

1. 結(jié)論

我們的研究應(yīng)用多模態(tài)網(wǎng)絡(luò)神經(jīng)科學(xué)框架，來闡明視覺意象生動(dòng)度的個(gè)體變異性如何映射到不同的結(jié)構(gòu)和功能腦架構(gòu)上。我們發(fā)現(xiàn)，意象生動(dòng)度由功能定義意象網(wǎng)絡(luò)中左側(cè)梭狀回的局部效率支持，以及結(jié)構(gòu)枕葉網(wǎng)絡(luò)中通過局部效率和聚類系數(shù)增強(qiáng)的分離支持。此外，我們觀察到突顯網(wǎng)絡(luò)關(guān)鍵樞紐——右島葉皮層——更大的結(jié)構(gòu)全局效率與意象生動(dòng)度正相關(guān)，這表明領(lǐng)域一般控制系統(tǒng)也可能在穩(wěn)定內(nèi)部生成的視覺內(nèi)容中發(fā)揮作用。綜合起來，這些發(fā)現(xiàn)推進(jìn)了我們對(duì)視覺想象底層神經(jīng)組織的理解，突顯了結(jié)構(gòu)和功能在塑造個(gè)體心理意象體驗(yàn)中的互補(bǔ)貢獻(xiàn)。

原文： https://www.sciencedirect.com/science/article/pii/S1053811925005233