Seedbasierte

Seedbasierte Analysen bezeichnen Verfahren, die auf vordefinierten Seed-Regionen oder Seed-Features basieren, um deren Beziehungen zu anderen Datenpunkten oder Messgrößen zu untersuchen. In der Neuroimaging-Forschung werden seedbasierte Ansätze häufig verwendet, um funktionelle Konnektivität zu charakterisieren, also wie stark eine Region zeitlich mit dem Rest des Gehirns synchronisiert ist.

Bei seedbasierter funktioneller Konnektivität (SFC) wählt man eine Seed-Region of Interest (ROI) aus, extrahiert deren zeitliche BOLD-Signalreihe und berechnet Korrelationen zwischen dieser ROI-Zeitreihe und der Zeitreihe jedes anderen Voxels oder jeder anderen ROI. Die resultierenden Korrelationswerte werden typischerweise in Fisher-z-Werte transformiert, um eine ganze Gehirnkarte der konnektiven Stärke zum Seed zu erzeugen. Auf Gruppenebene erfolgen oft Transformations- und statistische Verfahren, um signifikante Verbindungen zu identifizieren.

Wesentliche methodische Aspekte umfassen die Definition des Seeds (anatomisch, funktionell oder hybrid), die ROI-Größe und -Genauigkeit, die Vorverarbeitung (Bewegungsartefakte, Rauschen), sowie Korrektur für multiple Vergleiche. Die Ergebnisse hängen stark von der Seed-Auswahl ab, wodurch Replizierbarkeit und Generalisierbarkeit kritisch diskutiert werden.

Anwendungsgebiete liegen in der Untersuchung von Netzwerken wie dem Default-Mode-Netzwerk, der sensorischen oder fronto-parietalen Konnektivität sowie in klinischen Studien zu affektiven Störungen, Demenz oder Traumata. Seedbasierte Analysen bieten eine klare, raumbezogene Interpretation, sind aber oft ergänzend zu datengetriebenen Ansätzen wie ICA oder ganzheitlichen Konnektivitätsanalysen zu sehen.