Neural network topologies supporting individual variations in vividness of visual imagery

支持視覺意象生動性個體差異的神經(jīng)網(wǎng)絡拓撲結構

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

摘要

視覺意象的生動度在個體之間存在顯著差異，但其神經(jīng)基礎仍不清楚。正如最近辯論所強調的，一個關鍵爭議是：早期感覺架構是否解釋了意象，還是由高級視覺區(qū)與額-頂區(qū)的互動來解釋。本研究考察了意象生動度的個體差異（通過視覺意象生動度問卷VVIQ2測量）如何與內在腦網(wǎng)絡組織相關，使用圖論應用于擴散加權成像（DWI；n=525）和靜息態(tài)fMRI（n=556）的結構和功能連接組。在意象特異性網(wǎng)絡以及三個經(jīng)典靜息態(tài)網(wǎng)絡（枕葉、突顯和默認模式）中評估了連接性。在功能連接分析中，生動度與左側梭狀回（一個涉及整合意象過程的高級視覺區(qū)）的局部效率正相關。在結構連接分析中，更高的生動度與枕葉網(wǎng)絡中更大的局部效率和聚類相關，表明生動意象依賴于高度分離的低級視覺網(wǎng)絡。此外，右島葉皮層（突顯網(wǎng)絡的關鍵樞紐）更大的全局效率與生動度相關，表明高效的突顯驅動控制可能穩(wěn)定內部意象。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（FIN）是最強的單一預測因子，而其他結構因素對最佳整體模型有貢獻。這些發(fā)現(xiàn)調和了關于意象的競爭解釋，證明生動意象源于感覺基礎的結構網(wǎng)絡、突顯基礎的調控樞紐以及高級視覺整合之間的相互作用。

關鍵詞：視覺意象生動度 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”中喚起場景的能力——是一種基本的認知能力，它塑造了我們的內在體驗（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節(jié)（Holmes and Mathews, 2010; Kvamme et al., 2024a, 2024b; Schacter et al., 2007）。它還在臨床干預中發(fā)揮關鍵作用，幫助患者管理疼痛、克服創(chuàng)傷，并在多個領域提升表現(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，意象體驗在個體之間差異很大，從具有異常生動意象的人（hyperphantasia）到完全缺乏意象體驗的人（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)基礎已被深入研究，但各種研究被聲稱支持相互競爭的模型，該領域尚未達成共識。在本研究中，我們結合多模態(tài)磁共振成像（MRI）數(shù)據(jù)與意象生動度評級，在圖論框架內考察哪些假設的神經(jīng)結構支持意象。

一個長期存在的爭議焦點在于，低級早期視覺皮層（EVC；V1–V3區(qū)域）還是高級區(qū)域（如左側梭狀回）是否對意象生成至關重要。一個突出的觀點，由Spagna及其同事推進（Bartolomeo et al., 2020; Liu et al., 2025; Spagna et al., 2023, 2021），將左側梭狀回——稱為梭狀意象節(jié)點（FIN）——定位為關鍵意象樞紐，這是一個位于腹側顳皮層的高階視覺區(qū)域，在多樣任務中一致激活。他們的對46項功能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，導致了一個神經(jīng)模型，其中意象通過自上而下的信號經(jīng)梭狀回通路驅動基于記憶的重構產生。進一步支持來自病灶證據(jù)：Thorudottir et al. (2020)報告了一位建筑師在雙側中風后喪失心理可視化能力而獲得無意象癥的病例，該中風唯一包括左側梭狀回。相反，有重疊病灶的患者——有些影響EVC——保留了生動意象，表明梭狀回可能對意象是必要的，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比，后者認為EVC發(fā)揮基礎作用，特別是當構建細粒度、高分辨率的視覺心理圖像時（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)掩蓋了意象任務中的早期視覺激活。支持這一點，被試內研究在生動度高時展示了感知和意象在早期視覺區(qū)的強烈重疊（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）的個體間變異性可能在群體水平分析中掩蓋這些效應。事實上，雖然梭狀回激活在參與者中往往更一致，但EVC信號對個體差異和任務精確性更敏感。因此，這兩種觀點可能都反映了意象生成的真實方面，它們在是否強調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分歧，而不僅僅是矛盾發(fā)現(xiàn)。這些方法學差異指向了心理意象研究中的更廣泛問題：需要更好地考慮支持視覺意象的神經(jīng)架構的個體間變異性。雖然大量文獻專注于識別跨個體共同激活的區(qū)域，但相對較少關注個體神經(jīng)架構差異如何塑造意象能力和其生動度。解決這一空白需要超越孤立的感興趣區(qū)域，轉向捕捉大腦分布式和互動性質的模型。

除了枕葉和意象特異性網(wǎng)絡之外，越來越多的證據(jù)還表明，大規(guī)模領域一般網(wǎng)絡塑造了視覺心理意象的體驗。這里，突顯網(wǎng)絡，以前島葉和背側前扣帶皮層（dACC）為錨點，已被證明在優(yōu)先排序信息和調解內部與外部導向腦狀態(tài)之間的轉換中發(fā)揮關鍵作用（Menon and Uddin, 2010; Seeley et al., 2007; Uddin et al., 2019）。該網(wǎng)絡被提出通過動態(tài)協(xié)調默認模式和執(zhí)行控制網(wǎng)絡的參與來調節(jié)對內部生成內容的訪問，包括心理意象（Goulden et al., 2014）。特別是，右前島葉已被識別為這一切換機制的中心瓶頸，支持向自生成表征的注意靈活再分配（Huang et al., 2021; Silvanto and Nagai, 2025）。通過檢測和穩(wěn)定顯著的內部信號，突顯網(wǎng)絡可能幫助啟動和維持心理意象——特別是當意象必須與外部輸入或正在進行的任務需求競爭時。

為了調和更好地捕捉大量個體間認知變異性的區(qū)域水平不一致，最近研究已從關注孤立腦激活轉向考察連接模式和網(wǎng)絡水平組織（Genon et al., 2022; Kanai and Rees, 2011; Song et al., 2022）。這是因為觀察到即使相對簡單的認知功能也源于分布式神經(jīng)系統(tǒng)的協(xié)調活動，而不是單個區(qū)域（Andoh and Zatorre, 2013; Lumaca et al., 2019; Tompson et al., 2018）。這一方法學轉變與網(wǎng)絡神經(jīng)科學的更廣泛興起一致，后者將大腦概念化為連接組：一個由節(jié)點（腦區(qū)）和邊（結構或功能連接）組成的系統(tǒng)，支持分布式、動態(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體報告的視覺意象生動度的廣泛范圍仍 largely 未被探索。我們調查了視覺意象生動度的個體差異（如通過視覺意象生動度問卷（VVIQ-2）測量（Marks, 1995），一種廣泛使用的主觀視覺意象生動度測量（Cui et al., 2007; Marks, 1995; Zeman, 2024; Zeman et al., 2025, 2020））如何與結構和功能腦網(wǎng)絡的內在組織相關。

為了探索這一方法，我們測試了先前涉及心理意象的四個網(wǎng)絡的連接模式：（1）基于先前任務fMRI和病灶研究的任務定義意象網(wǎng)絡；（2）代表感覺基礎意象模型中強調的早期視覺皮層區(qū)域的枕葉網(wǎng)絡；（3）突顯網(wǎng)絡，一個以先前島葉和背側前扣帶皮層為錨點的領域一般系統(tǒng)，對調節(jié)對內部生成表征（如心理意象）的訪問至關重要（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）默認模式網(wǎng)絡（DMN），一個以內側前額葉皮層、后扣帶皮層和角回為中心的大規(guī)模網(wǎng)絡，由于其在支持內部導向思維、自參照處理和自發(fā)認知中的中心作用而被納入，所有這些過程被認為支撐生動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）。任務定義意象網(wǎng)絡基于任務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)。該先驗定義網(wǎng)絡包括雙側下額回（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、外側枕顳皮層、頂內溝（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)絡跨越高級概念區(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)絡代表了我們基于直接意象證據(jù)的主要假設，但突顯和默認模式網(wǎng)絡被作為探索性納入。突顯網(wǎng)絡的納入是由于新興證據(jù)涉及其作用——特別是前島葉——在門控對內部生成內容的訪問（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。通過探測這些網(wǎng)絡的拓撲組織，我們旨在超越競爭的區(qū)域中心解釋，而是表征分布式網(wǎng)絡屬性如何貢獻于主觀意象生動度的個體差異。

圖論為這一努力提供了有原則的框架（Bassett et al., 2008; Bullmore and Sporns, 2009）。為了評估大規(guī)模整合和局部?；?，我們在節(jié)點和網(wǎng)絡水平計算了四個圖論指標：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?；幚淼某潭?；全局效率，它索引整合（網(wǎng)絡快速跨遠處區(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（特定節(jié)點在調解跨區(qū)域通信中的影響）。這些指標允許我們量化大腦的內在架構如何通過特定區(qū)域的細粒度連接和意象相關網(wǎng)絡的更廣泛拓撲組織支持意象生動度的個體變異性。

結構和功能連接組的圖論分析允許我們橋接神經(jīng)解剖和腦動態(tài)領域，提供一個更豐富的系統(tǒng)水平解釋，關于內部心理體驗如何在大腦中實例化（Kvamme et al., n.d.; Lumaca et al., 2024）。

穩(wěn)健映射腦-行為關聯(lián)需要大樣本以產生個體差異的可重復發(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數(shù)據(jù)集，總計超過500名參與者的數(shù)據(jù)，包括靜息態(tài)功能連接和結構連接組。

1. 方法

數(shù)據(jù)是在歐盟COST行動CA18106（意識的神經(jīng)架構）背景下收集的，是一個更大項目的一部分，該項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)。本研究使用了兩個站點的數(shù)據(jù)：意識實驗室（雅蓋隆大學，波蘭克拉科夫）和功能整合神經(jīng)科學中心（奧胡斯大學，丹麥）。其他具有不同目標的研究先前已使用/發(fā)表了部分數(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容已從中改編，以確保一致性和清晰性。

雅蓋隆大學心理學研究所的當?shù)匮芯總惱砦瘑T會批準了該研究（決定編號：KE/03/042020）。丹麥中日德蘭地區(qū)倫理委員會De Videnskabsetiske Komitéer for Region Midtjylland批準了該研究（項目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279名（161名女性）和奧胡斯站點277名（175名女性）。結構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，并在結構或功能連接組創(chuàng)建過程中未顯示錯誤或損壞。所有參與者提供了書面知情同意，并因參與而獲得經(jīng)濟補償。整體項目信息可在（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CA18106的技術附件。

2.2. 視覺意象生動度問卷（VVIQ）

參與者在奧胡斯站點完成英文版、在克拉科夫站點完成波蘭文版的32項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掃描在一次會話中進行。

2.3. MRI數(shù)據(jù)采集

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

fMRI協(xié)議包括站點1的1348個功能體積和站點2的1500個，每個參與者重復時間（TR）站點1為801 ms、站點2為700 ms，回波時間（TE）分別為33.60 ms和30 ms。設置參數(shù)為：體素大小2.5 mm3，視場（FOV）200 mm，翻轉角53°。

MPM協(xié)議使用Siemens供應商提供的3D多回波擾相梯度回波（FLASH）序列實施，針對磁化轉移（MT）、質子密度（PD）和T1對比加權進行單獨優(yōu)化采集。對于兩個站點，PD和T1加權掃描的TR為18 ms，MT加權掃描為37 ms。所有序列使用六個等距回波，TE從2.46到14.76 ms。翻轉角為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RF接收場靈敏度（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，翻轉角6°，無并行成像。體積對（頭部/體部線圈）在每個MTw、PDw和T1w掃描前采集，以計算相對B1?圖。

用于采集HARDI數(shù)據(jù)的序列總共包括211個擴散加權方向，跨多個b殼：b=2500 s/mm2的75個方向，b=1500 s/mm2的60個方向，b=1200 s/mm2的21個方向，b=1000 s/mm2的30個方向，b=700 s/mm2的15個方向，以及b=5 s/mm2的10個方向。對于站點1，所有b殼在單個系列中使用翻轉角90°、重復時間（TR）3850 ms、回波時間（TE）100 ms和體素大小2 mm3（矩陣大?。?00 × 100；切片數(shù)：84）采集。對于站點2，使用相同協(xié)議，但TR=2850 ms和TE=71 ms。主要相位編碼方向為前-后（AP），并額外采集一個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加權圖，MPM圖最初經(jīng)過閾值處理以與FreeSurfer所需單位對齊（Andersson and Sotiropoulos, 2016）。R1圖通過反轉其值并應用零閾值轉換為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（源于調整的R1圖）和PD圖。可選參數(shù)用于增強灰質和白質之間的對比度，參數(shù)設置為20、30和2.5。在最后一步，合成T1加權圖像被縮小四分之一以滿足FreeSurfer的預期尺度（詳見Lumaca et al., 2024）。

2.4. DTI處理和結構連接組構建

dMRI數(shù)據(jù)的預處理通過專用的內部MATLAB腳本進行。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軟件工具包進行結構連接組的構建，該過程對每個參與者涉及一系列復雜的步驟。

對于連接組生成，每個參與者的數(shù)據(jù)經(jīng)歷了多步驟分析。首先，生成一個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、白質、腦脊液以及“其他”），這對解剖約束纖維束追蹤（ACT）至關重要。隨后，將T1加權圖像和DWI圖像共同注冊以實現(xiàn)對齊。接下來，為每個參與者創(chuàng)建主要組織類型（白質、灰質、腦脊液）的響應函數(shù)。這些個體響應函數(shù)隨后被組合形成群體水平響應函數(shù)。在每個腦體素中，使用多殼多組織約束球面去卷積（MSMT-CSD）計算纖維方向分布（FODs）。然后對FODs進行歸一化。

接下來，在ACT框架內進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圖像中動態(tài)選擇，F(xiàn)OD截止值為0.06。該過程旨在每個種子最多10^9條流線，為每個連接組選擇1000萬條流線，隨后進行球面去卷積告知的纖維束圖過濾（SIFT2）。所選流線的長度范圍在最大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分割用于皮層下結構，每個均按SIFT比例系數(shù)（mu）縮放。最后一步涉及自定義管道進行質量控制。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T1加權圖像與B=0圖像之間注冊的GIF。

2.5. rs-fMRI處理和功能連接組構建

靜息態(tài)（rs-fMRI）體積的處理使用SPM CONN工具箱（版本21a）的默認表面基預處理例程實施（Whitfield-Gabrieli and Nieto-Castanon, 2012）（http://www.nitrc.org/projects/conn）（Whitfield-Gabrieli and Nieto-Castanon, 2012），在Matlab（2016b）中實現(xiàn)。功能數(shù)據(jù)使用SPM12（r7487）進行重對齊和去翹曲，而不使用場圖，采用6參數(shù)變換進行對齊和b樣條插值進行重采樣。異常值使用基于幀位移和全局BOLD信號偏差的ART113識別，并為每個受試者創(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)的共同注冊使用互信息實現(xiàn)。功能圖像被映射到皮層表面，在腦膜和白質表面之間平均數(shù)據(jù)層。最后，表面水平功能數(shù)據(jù)使用40次迭代擴散步驟進行平滑。去噪過程涉及標準管道，回歸出混淆因素，如白質和腦脊液（CSF）信號、運動偽影、異常掃描、會話效應和線性趨勢。這包括使用CompCor從白質和CSF中提取噪聲成分。對BOLD時間序列應用帶通頻率過濾，保留0.008 Hz至0.09 Hz之間的頻率。去噪后所有受試者的BOLD信號有效自由度被估計。

我們通過計算功能連接強度估計感興趣區(qū)域（ROIs）之間的區(qū)域到區(qū)域連接矩陣。這由從加權一般線性模型（GLM）衍生的Fisher變換雙變量相關系數(shù)表示，并存儲在功能連接矩陣中。GLM考慮了ROI對的BOLD信號時間序列之間的關聯(lián)，并加權以減輕每個運行開始時的瞬態(tài)磁化效應。連接矩陣僅包括Destrieux的皮層節(jié)點（148 × 148）（Destrieux et al., 2010）。從該矩陣中，我們提取了對應于我們感興趣網(wǎng)絡的四個子矩陣：一個22 × 22意象網(wǎng)絡、一個代表早期視覺區(qū)的16 × 16枕葉網(wǎng)絡、一個19 × 19突顯網(wǎng)絡（圖3），以及一個29 × 29默認模式網(wǎng)絡（DMN）（補充圖1）。突顯網(wǎng)絡通過將Destrieux MNI坐標映射到Yeo7腹側注意網(wǎng)絡指定并驗證與經(jīng)典突顯網(wǎng)絡坐標的重疊來定義（Seeley et al., 2007）。DMN從HCP圖譜推斷，通過將Destrieux區(qū)域MNI坐標映射到先前研究報告的網(wǎng)絡指定，選擇一致被識別為DMN部分的區(qū)域（Dubois et al., 2018; Ito et al., 2017）。所有坐標和網(wǎng)絡見補充數(shù)據(jù) https://osf.io/enspz/。

2.6. 圖論分析

所有網(wǎng)絡的功能和結構連接矩陣的創(chuàng)建遵循相同管道。連接矩陣在固定網(wǎng)絡水平成本范圍（k）（0

節(jié)點水平p值使用假發(fā)現(xiàn)率q<0.05（雙尾）在每個網(wǎng)絡內每個圖指標單獨調整多重比較（例如，突顯網(wǎng)絡內局部效率的所有19個節(jié)點，然后在同一網(wǎng)絡內單獨對聚類系數(shù)）。類似地，網(wǎng)絡水平p值在每個網(wǎng)絡內的四個網(wǎng)絡水平測量上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型錯誤控制與統(tǒng)計功效，這在網(wǎng)絡神經(jīng)科學研究中特別重要，用于檢測中等效應大小同時控制預期假發(fā)現(xiàn)比例。這四個測量在節(jié)點和全局水平計算。全局指標通過取節(jié)點水平測量的平均值計算。在節(jié)點水平：局部效率量化當移除目標節(jié)點時子圖交換信息的效率。它是節(jié)點鄰域上計算的平均全局效率（同時移除目標節(jié)點）。更高的局部效率表示更大的局部信息傳輸。聚類系數(shù)測量節(jié)點周圍的局部互連程度。對于一個節(jié)點，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。全局效率測量信息在一個目標節(jié)點與網(wǎng)絡其余部分之間交換的效率。它計算為一個節(jié)點與網(wǎng)絡中所有其他節(jié)點之間平均最短路徑長度的倒數(shù)。介數(shù)中心性捕捉節(jié)點在交換信息中的影響（樞紐）。它計算為通過節(jié)點的最短路徑與網(wǎng)絡中所有最短路徑的比率。高介數(shù)中心性的節(jié)點參與許多最短路徑并可以控制信息傳輸。

2.7. 帶交叉驗證的多變量回歸分析

為了評估圖論指標對意象生動度個體差異的聯(lián)合貢獻，我們使用10折交叉驗證框架進行多變量線性回歸，以VVIQ-2總分為因變量。預測變量包括先前單變量分析中識別的顯著圖基測量。

在每個交叉驗證折中，我們系統(tǒng)地評估嵌套配置層次的模型性能，從單一預測變量開始并逐步添加變量，以識別表現(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）評估。交叉驗證后，在每個模型步驟識別最頻繁選擇的預測變量，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和調整R2評估，最佳擬合模型由最小化AIC和最大化調整R2確定。

1. 結果

3.1. 實驗設計和分析管道概述

本研究的分析管道如圖2所示（詳見“方法”部分描述）。對于每個參與者，使用Destrieux圖譜對解剖T1加權圖像進行分區(qū)，該圖譜基于宏觀解剖標志和細胞構筑邊界將大腦皮層分為148個溝-回區(qū)域（74對同源對）（Destrieux et al., 2010）。這一分區(qū)用于從rs-fMRI掃描中提取區(qū)域水平時間序列數(shù)據(jù)，并構建結構和功能連接矩陣。在每個矩陣中，腦區(qū)（節(jié)點）通過反映結構（源于DWI的白質連接）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)點之間成對連接的全面地圖。

從完整的148 × 148矩陣中，我們提取了四個子網(wǎng)絡（任務定義意象網(wǎng)絡、枕葉、突顯和默認模式網(wǎng)絡）進行針對性分析。每個網(wǎng)絡的節(jié)點選擇如圖3所示（補充圖1），基于先前的功能分區(qū)和理論相關性（詳見“引言”和“方法”部分描述）。

每個網(wǎng)絡的連接矩陣使用多閾值方法在定義的網(wǎng)絡密度范圍內過濾，隨后二值化以創(chuàng)建用于圖論分析的鄰接矩陣（Rubinov and Sporns, 2010）。對于每個參與者，在節(jié)點和網(wǎng)絡水平計算四個標準拓撲指標（圖4）：局部效率和聚類系數(shù)（作為分離指標），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）。這一分析框架允許我們評估感覺和高級皮層網(wǎng)絡拓撲屬性如何與內部生成視覺意象的生動度相關。

3.2. 視覺意象生動度問卷結果

全樣本的平均VVIQ-2分數(shù)為117.21（SD = 22.41）（范圍 = 32–160）（見圖1）。VVIQ分數(shù)與年齡無關聯(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分數(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），該模型對響應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、性別和站點在所有統(tǒng)計模型中作為干擾協(xié)變量納入，以考慮潛在混淆效應。

3.3. 功能網(wǎng)絡的圖論結果

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

3.4. 結構網(wǎng)絡的圖論結果

對于結構連接數(shù)據(jù)，我們在枕葉網(wǎng)絡中觀察到顯著的網(wǎng)絡水平效應（見圖5B，補充表4）。VVIQ分數(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，這兩個互補的功能分離測量指標。這一匯聚表明，早期視覺網(wǎng)絡中的腦結構通過增加分離支持生動的心理意象。對于突顯網(wǎng)絡，我們在右島葉皮層（具體為右島葉的長回和中央溝）觀察到顯著效應，其中全局效率與意象生動度正相關（F = 3.09, pFDR = 0.0407, R = 0.108）見圖5C（補充表6）。其他網(wǎng)絡中沒有其他單個ROI達到顯著性，也沒有觀察到突顯、默認模式或意象網(wǎng)絡的額外網(wǎng)絡水平顯著效應（見補充表1–8）。

3.5. 意象生動度的圖拓撲多變量模型

為了評估不同圖論指標如何共同與意象生動度相關，我們擬合了一系列一般線性模型，使用上述分析中識別的四個先前顯著的單變量預測變量：功能意象網(wǎng)絡中的局部效率（左側梭狀回）、結構枕葉網(wǎng)絡中的局部效率和聚類系數(shù)，以及結構突顯網(wǎng)絡中右島葉皮層的全局效率。使用10折交叉驗證程序基于均方根誤差（RMSE）和決定系數(shù)（R2）評估預測性能。

每個預測變量在單獨進入時解釋了VVIQ分數(shù)的獨特方差（見表1）。最強的單一預測變量是左側梭狀回的局部效率（調整R2 = 0.0169, p = 0.002），其次是右島葉的全局效率（調整R2 = 0.0080, p = 0.021）、枕葉網(wǎng)絡的局部效率（調整R2 = 0.0086, p = 0.0192）和枕葉網(wǎng)絡的聚類系數(shù)（調整R2 = 0.0077, p = 0.0251）。

跨交叉驗證折中最頻繁選擇的模型結合了左側梭狀回和右島葉效率，平均實現(xiàn)了最佳預測性能（平均RMSE = 21.50；平均R2 = 0.0490）。基于AIC和調整R2的整體最佳擬合模型包括三個預測變量——左側梭狀回、右島葉和枕葉網(wǎng)絡效率測量（因此不包括枕葉網(wǎng)絡聚類系數(shù)；見補充表9）。該模型產生了最低的AIC（4496.14）和最高的調整R2（0.0276），支持意象、突顯和感覺系統(tǒng)的分布式貢獻對意象生動度的個體差異。

結果表明，視覺意象的生動度由以局部化信息處理為特征的網(wǎng)絡組織支持。具體而言，在VVIQ-2問卷中報告更生動視覺意象的個體，在預定義意象網(wǎng)絡中左側梭狀回的功能局部效率更高。此外，在結構連接組中，枕葉網(wǎng)絡在網(wǎng)絡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——局部效率和聚類系數(shù)——捕捉了網(wǎng)絡分離的方面，這反映了節(jié)點鄰居的緊密連接程度，從而支持局部化和?；畔鬏敚˙ullmore and Sporns, 2009；Sporns, 2013）。這一發(fā)現(xiàn)表明，生動視覺意象依賴于局部腦系統(tǒng)獨立于更廣泛網(wǎng)絡影響處理信息的能力。我們推論，分離的網(wǎng)絡可能通過將意象過程與全局網(wǎng)絡通信的噪聲隔離來保留詳細的視覺信息，從而提升內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保留時最優(yōu)的想法一致，該架構防止被無關的全局神經(jīng)活動稀釋。

4.1. 調和左側梭狀回和早期視覺皮層中心模型

結果涉及左側梭狀回和枕葉網(wǎng)絡，支持視覺意象的混合模型，調和了梭狀回中心（Bartolomeo et al., 2020; Liu et al., 2025; Spagna et al., 2023, 2021）和早期視覺皮層（EVC）中心模型之間的長期辯論（Dijkstra, 2024; Kosslyn et al., 2001）。我們在枕葉網(wǎng)絡中的結構發(fā)現(xiàn)與EVC解釋一致，表明早期視覺區(qū)的架構支持生動度，可能通過保留細粒度感覺細節(jié)。同時，梭狀回的功能分離與梭狀回中心觀點一致，表明它在組裝內部生成視覺內容中發(fā)揮中心整合作用。

然而，對我們結構連接發(fā)現(xiàn)的另一種解釋值得考慮，特別是結合匯聚的病灶證據(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)絡中增強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)絡配置。增加的局部分離可能促進EVC區(qū)的抑制，從而減少知覺干擾——一種被提出會干擾內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激活較對照組增加，指向視覺-知覺皮層的高度活動阻礙無意象癥患者檢測較弱的意象相關信號。相反，降低的視覺皮層興奮性與更強的意象相關，研究顯示通過經(jīng)顱直流電刺激（tDCS）抑制早期視覺區(qū)皮層活動可以增強意象生動度（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，而是可能捕捉互補機制。我們的結果與多種解釋相容：枕葉網(wǎng)絡中增強的結構分離可能要么（1）反映保留細粒度感覺細節(jié)對意象內容的貢獻，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，允許FIN生成的意象被更生動地體驗，如病灶文獻所建議。兩種機制理論上都可能貢獻于意象生動度，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制解釋，而是提供一個互補的系統(tǒng)水平解釋，強調枕葉和梭狀回連接在支持生動意象中的作用。通過利用大樣本、多模態(tài)連接組學，我們的方法突顯了分布式架構——無論支持感覺再激活、抑制控制，或兩者——如何貢獻于意象生動度的個體差異。未來結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)絡分離是否通過貢獻或抑制支持意象。

關鍵的是，梭狀回結果源于在意象網(wǎng)絡內的分析，該網(wǎng)絡基于先前文獻的匯聚證據(jù)定義。該網(wǎng)絡包括跨研究一致涉及視覺意象的區(qū)域。在左側梭狀回觀察到的節(jié)點水平效應為先前關于這些區(qū)域在視覺意象中關鍵作用的提議提供了實證支持。值得注意的是，意象網(wǎng)絡中的梭狀回是功能連接組分析中唯一顯示節(jié)點特異效應的區(qū)域。早期視覺和梭狀回區(qū)域的參與也可能對該領域正在進行的辯論具有關鍵含義，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體中（Michel et al., 2025; Scholz et al., 2025; Zeman, 2024）。生動意象者中結構分離的枕葉網(wǎng)絡和功能專化的梭狀回節(jié)點的存在可能為未來關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控

除了在意象和枕葉網(wǎng)絡中觀察到的效應之外，我們的分析揭示了意象生動度與突顯網(wǎng)絡中右島葉皮層全局效率之間的一種新型結構關聯(lián)。這一領域一般系統(tǒng)，以前島葉和背側前扣帶皮層（dACC）為錨點，同時延伸至側方和內側前額區(qū)，在監(jiān)測內部和外部刺激以及協(xié)調大規(guī)模腦網(wǎng)絡之間的動態(tài)切換中發(fā)揮關鍵作用（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測更高的意象生動度，這一發(fā)現(xiàn)支持了生動心理意象不僅涉及感覺再激活，還涉及高效參與突顯驅動控制過程的觀點，這些過程調控對內部生成內容的訪問。值得注意的是，右前島葉已被識別為默認模式網(wǎng)絡（DMN）——支持內部導向思維——與中央執(zhí)行網(wǎng)絡（CEN）——涉及注意和認知控制——之間轉換的因果瓶頸（Goulden et al., 2014; Wu et al., 2019）。在這一能力中，島葉被提出作為意識訪問的守門人（Huang et al., 2021），啟用心理狀態(tài)之間的轉換并穩(wěn)定內部生成的視覺表征。具有更全局高效島葉節(jié)點的個體可能表現(xiàn)出更精細調節(jié)的能力，將注意資源分配向視覺心理意象，即使在面對競爭感官輸入時也是如此。

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器，而是內感受、情緒和認知信息的整合樞紐（Scalabrini et al., 2021; Silvanto and Nagai, 2025）。特別是情緒突顯可能增強意象的現(xiàn)象學豐富性，正如研究顯示，想象情緒荷載內容——如恐懼條件刺激——會招募突顯網(wǎng)絡區(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)絡效應局限于單個節(jié)點——右島葉——突顯即使在分布式的突顯網(wǎng)絡中，特定樞紐也可能不成比例地影響主觀認知現(xiàn)象。這表明意象生動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節(jié)和優(yōu)先訪問內部表征的能力。綜合起來，這些發(fā)現(xiàn)通過強調高級調控系統(tǒng)的貢獻擴展了傳統(tǒng)的視覺心理意象感覺模型。雖然枕葉和梭狀回區(qū)域為意象提供視覺和概念架構，但高效的突顯網(wǎng)絡參與——特別是通過右前島葉——可能對啟動、維持和情緒豐富內部生成的視覺內容至關重要。

4.3. 整合視覺意象的結構和功能視角

重要的是，這是第一個大規(guī)模研究（N > 500）考察結構和功能腦網(wǎng)絡拓撲與意象生動度個體差異關系的研究。雖然顯著關聯(lián)出現(xiàn)在不同網(wǎng)絡和模態(tài)中——左側梭狀回的局部功能分離、枕葉網(wǎng)絡的結構分離，以及右島葉的局部結構整合——但它們匯聚于可解釋的圖論原則。具體而言，梭狀意象網(wǎng)絡和枕葉網(wǎng)絡中的局部效率突顯了分離的、局部專化處理在支持生動內部視覺內容中的作用，而右島葉突顯網(wǎng)絡中的全局效率指向分布式網(wǎng)絡整合對調控此類內容訪問的重要性。我們的多變量模型顯示，這些指標中的每一個解釋了VVIQ分數(shù)的獨特方差，并且結合梭狀回、枕葉和島葉預測變量的模型實現(xiàn)了最佳預測性能。這些發(fā)現(xiàn)橋接了長期存在的理論解釋——通過網(wǎng)絡水平視角連接感覺保真度（枕葉）、概念整合（梭狀回）和調控控制（島葉）。綜合起來，它們表明生動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，這些過程嵌入在分布式但高效組織的腦網(wǎng)絡中。

我們的發(fā)現(xiàn)進一步強調了結構和功能連接分析提供的互補洞見。雖然結構連接反映大腦相對穩(wěn)定的解剖布線，功能連接捕捉動態(tài)共激活模式。在我們的研究中，結構連接組揭示了枕葉分離，這一特征可能與保留低級視覺細節(jié)相關。相反，功能連接組識別了高級區(qū)域（梭狀回）中的局部整合效應，這可能促進存儲視覺內容的意識再激活。這些發(fā)現(xiàn)呼應了網(wǎng)絡神經(jīng)科學中的更廣泛原則：復雜行為在結構水平上由感覺皮層支持，在功能水平上由高級腦區(qū)支持（Bassett and Sporns, 2017; Lumaca et al., 2024）。類似地，結構對功能施加約束，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認知功能，如工作記憶和流體智力，可能由于其動態(tài)和語境敏感性質（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，結構連接——反映穩(wěn)定的解剖布線——更預測特質樣特征，包括年齡和感覺能力，并且特別相關于基于一致感官輸入的任務，如口語知覺（Del Gaizo et al., 2017; Lin et al., 2020）。綜合起來，這些洞見倡導認知神經(jīng)科學中的多模態(tài)方法，其中結構和功能網(wǎng)絡屬性共同告知復雜內部現(xiàn)象（如視覺心理意象）的神經(jīng)基礎（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度問卷（VVIQ），一種主觀自報告的隨意視覺心理意象測量（Marks, 1995）。個體內省能力、動機/價值觀、元認知準確性或任務框架可能影響主觀意象報告。盡管如此，VVIQ仍是評估健康和臨床人群意象生動度最廣泛使用和驗證良好的工具（Pearson, 2019; Zeman, 2024; Zeman et al., 2020）。近年來，已開發(fā)幾種不依賴內省的客觀方法來量化意象強度，包括雙目競爭啟動、瞳孔測量和眼動指標（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洞見，特別是捕捉意象相關神經(jīng)活動和行為輸出。重要的是認識到，VVIQ旨在評估意象的現(xiàn)象學質量——內部體驗的主觀生動度——而非意象依賴任務的表現(xiàn)。更廣泛而言，VVIQ上的更高分數(shù)可能不僅捕捉視覺意象本身的生動度，還捕捉支持內部體驗構建的相關認知過程。這些可能包括視覺記憶提取、語義闡述、注意焦點和元認知覺知。因此，我們研究中識別的神經(jīng)相關——特別是在高級視覺區(qū)如梭狀回——可能反映支持意象相關過程的更廣泛網(wǎng)絡架構，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、重構過程的理論解釋一致。未來研究可能受益于結合主觀和客觀測量，以更精確分離貢獻于意象生動度個體差異的意象組件。

我們的圖論分析在預定義網(wǎng)絡內進行，而非全腦水平。這一方法基于大腦通過功能?；W(wǎng)絡運作的原則，這些網(wǎng)絡在任務執(zhí)行和休息期間具有協(xié)調激活模式?；诰W(wǎng)絡的分析通過減少多重比較并理論驅動地關注涉及心理意象過程的網(wǎng)絡，提供增加的統(tǒng)計功效。然而，圖論指標本質上依賴于網(wǎng)絡邊界定義。因此，我們的發(fā)現(xiàn)可在定義的網(wǎng)絡架構語境中解釋，而非作為腦組織的絕對測量。此外，有人可能爭論將結構和功能連接視為獨立數(shù)據(jù)點代表了對底層神經(jīng)生物現(xiàn)實的過度簡化。鑒于結構連接提供約束功能動態(tài)的解剖支架，未來工作可采用明確建模這些結構-功能依賴的方法，如可將功能連接條件于底層結構架構的圖注意網(wǎng)絡（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（Calhoun and Sui, 2016）。這些方法可提供更機制性地基于的理解，關于腦組織如何支持意象生動度，同時考慮結構和功能網(wǎng)絡屬性之間的復雜相互依賴。

需要考慮的一個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在腦網(wǎng)絡屬性，但可能錯過與個體特質相關的狀態(tài)特異動態(tài)。這一局限性被我們對VVIQ作為意象能力測量的依賴加劇。Runge et al. (2017)的綜合元分析捕捉了意象文獻的大部分，證明逐試驗生動度評級在行為/認知和神經(jīng)科學測量中一致顯示顯著更大的效應大小比VVIQ。VVIQ與逐試驗評級之間的平均相關為中等（r ≈ 0.40），表明這些測量捕捉意象體驗的部分不同方面（D’Angiulli et al., 2013），具有不同（Bergmann et al., 2016）和有時重疊（Duan et al., 2025）的腦相關，取決于所用范式。因此，雖然我們的發(fā)現(xiàn)為與VVIQ測量的特質意象能力相關的網(wǎng)絡屬性提供了重要洞見，但它們可能不直接轉化為支持主動意象任務期間生動意象體驗的神經(jīng)機制。這些考慮呼吁大規(guī)模研究采用綜合電池，結合逐試驗生動度評級、多樣意象能力行為測量和特質水平評估如VVIQ，在任務基fMRI期間，以更好地表征視覺意象的多面性質及其神經(jīng)基底。

1. 結論

我們的研究應用多模態(tài)網(wǎng)絡神經(jīng)科學框架，來闡明視覺意象生動度的個體變異性如何映射到不同的結構和功能腦架構上。我們發(fā)現(xiàn)，意象生動度由功能定義意象網(wǎng)絡中左側梭狀回的局部效率支持，以及結構枕葉網(wǎng)絡中通過局部效率和聚類系數(shù)增強的分離支持。此外，我們觀察到突顯網(wǎng)絡關鍵樞紐——右島葉皮層——更大的結構全局效率與意象生動度正相關，這表明領域一般控制系統(tǒng)也可能在穩(wěn)定內部生成的視覺內容中發(fā)揮作用。綜合起來，這些發(fā)現(xiàn)推進了我們對視覺想象底層神經(jīng)組織的理解，突顯了結構和功能在塑造個體心理意象體驗中的互補貢獻。

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