×
安娜·梅纳彻;托马斯·尼科尔斯。;克里斯·福尔摩斯;Ganjgahi，哈比卜

基于结构化尖峰和实验室先验的贝叶斯损伤评估。 （英语） Zbl 07820366号

美国统计协会。 119，编号545，66-80（2024）.
小结：在T2加权MRI扫描中，白质内积聚的神经脱髓鞘和脑损伤以病变的形式表现为高信号区。在人群水平上对二值图像进行建模，其中每个体素表示病变的存在，在理解衰老和炎症疾病方面发挥着重要作用。我们提出了一个可扩展的分层贝叶斯空间模型，称为BLESS，该模型能够处理二进制响应，方法是在空间变化的参数上放置连续的尖峰和平谷混合先验，并对参数强制执行空间依赖性，以决定包含概率内的稀疏程度。利用平均场变分推断和动态后验探索，这是一种改进优化的类似退火的策略，允许我们的方法扩展到大样本大小。我们的方法还通过提供基于贝叶斯自举思想的近似后验抽样方法和随机收缩目标的尖峰与平谷先验，来解决由于变量推断而导致的后验方差估计不足的问题。除了准确的不确定性量化之外，该方法还能够生成基于簇大小的新的成像统计数据，例如簇大小的可信区间，以及簇发生的可靠性度量。最后，我们通过模拟研究验证了我们的结果，并将其应用于英国生物银行（UK Biobank），这是一项大规模病变定位研究，样本量为40000名受试者。本文的补充材料可在网上获得。

MSC公司：

62至XX 统计

关键词：

贝叶斯引导;大脑成像;空间统计学;变量选择;变分推理

软件：

EMVS公司;brglm2公司;PRMLT公司
PDF格式BibTeX公司 XML格式引用
\textit{A.Menacher}et al.，J.Am.Stat.Assoc.119，No.545，66--80（2024；Zbl 07820366）
全文： DOI程序 arXiv公司
OA许可证

参考文献：

[1] Albert，J.H.和Chib，S.（1993），“二进制和多光子响应数据的贝叶斯分析”，《美国统计协会杂志》，88，669-679。内政部：·Zbl 0774.62031号
[2] Alfaro-Almagro，F.、McCarthy，P.、Afyouni，S.、Andersson，J.L.、Bastiani，M.、Miller，K.L.、Nichols，T.E.和Smith，S.M.（2021），“英国生物银行脑成像中的混乱建模”，《神经影像》，224117002。内政部：。
[3] Andersen，M.R.、Winther，O.和Hansen，L.K.（2014），“结构化尖峰和平板先验的贝叶斯推断”，《神经信息处理系统的进展》，21745-1753。
[4] Barbieri，M.M.、Berger，J.O.、George，E.I.和Ročková，V.（2021），“中位数概率模型和相关变量”，贝叶斯分析，第16期，第1085-1112页。内政部：。
[5] Benjamini，Y.和Hochberg，Y.（1995），“控制错误发现率：一种实用而有力的多重测试方法”，《皇家统计学会杂志》，B辑，57，289-300。内政部：·Zbl 0809.62014号
[6] Besag，J.（1974），“晶格系统的空间相互作用和统计分析”，《皇家统计学会期刊》，B辑，36192-225。DOI:·Zbl 0327.60067号
[7] Besag，J.（1986），“关于肮脏图片的统计分析”，《皇家统计学会杂志》，B辑，48，259-302·Zbl 0609.62150号
[8] Bishop，C.M.（2006），模式识别和机器学习，纽约：Springer·Zbl 1107.68072号
[9] Blei，D.M.、Kucukelbir，A.和McAuliffe，J.D.（2017），“变量推断：统计学家评论”，《美国统计协会杂志》，第112期，第859-877页。内政部：。
[10] Brook，D.（1964），“关于最近邻系统规范中条件概率和联合概率方法之间的区别”，《生物统计学》，51，481-483。DOI:·Zbl 0129.10703号
[11] Carbonetto，P.和Stephens，M.（2012），“回归中贝叶斯变量选择的可缩放变量推断及其在遗传关联研究中的准确性”，贝叶斯分析，第773-108页。内政部：·Zbl 1330.62089号
[12] Debette，S.和Markus，H.S.（2010），“脑磁共振成像中白质高信号的临床重要性：系统回顾和荟萃分析”，BMJ，341，c3666。内政部：。
[13] Durante，D.和Rigon，T.（2019），“Logistic模型的条件共轭平均场变分贝叶斯”，《统计科学》，34，472-485。内政部：·Zbl 1429.62318号
[14] Firth，D.（1993），“最大似然估计的偏差减少”，《生物特征分析》，80，27-38。内政部：·Zbl 0769.62021号
[15] Fong，E.、Lyddon，S.和Holmes，C.（2019），“使用后验引导从多模态后验中进行可扩展非参数采样”，《机器学习研究论文集》，971952-1962。
[16] Ge，T.、Müller-Lenke，N.、Bendfeldt，K.、Nichols，T.E.和Johnson，T.D.（2014），“通过空间变化系数分析多发性硬化病变”，《应用统计年鉴》，第81095-1118页。内政部：·Zbl 1454.62334号
[17] Gelfand，A.E.和Vounatsou，P.（2003），“用于空间数据分析的适当多变量条件自回归模型”，生物统计学，4，11-15。内政部：·Zbl 1142.62393号
[18] George，E.I.和McCulloch，R.E.（1993），“通过吉布斯抽样进行变量选择”，《美国统计协会杂志》，88，881-889。内政部：。
[19] George，E.I.和McCulloch，R.E.（1997），“贝叶斯变量选择方法”，《中国统计》，第7期，第339-373页·Zbl 0884.62031号
[20] Grifvanti，L.、Zamboni，G.、Khan，A.、Li，L.，Bonifacio，G.，Sundaresan，V.、Schulz，U.G.、Kuker，W.、Battaglini，M.、Rothwell，P.M.和Jenkinson，M.（2016），“BIANCA（脑强度异常分类算法）：白质高强度自动分割的新工具”，《神经影像》，141，191-205。内政部：。
[21] Griffanti，L.、Jenkinson，M.、Suri，S.、Zsoldos，E.、Mahmood，A.、Filippini，N.、Sexton，C.E.、Topiwala，A.、Allan，C.、Kivimäki，M.，Singh-Manoux，A.、Ebmeier，K.P.、Mackay，C.E.和Zamboni，G.（2018），“MRI上心室周围和深部白质高强度的分类和表征：老年人的研究”《神经影像》，170174-181。内政部：。
[22] Hernández-Lobato，D.、Hernandez-Labato，J.M.和Dupont，P.（2013），“使用期望传播进行贝叶斯群特征选择的广义尖峰和板条先验”，《机器学习研究论文集》，第14期，1891-1945年·Zbl 1318.62229号
[23] Jaakkola，T.S.和Jordan，M.I.（2000），“通过变分方法进行贝叶斯参数估计”，《统计与计算》，第10期，第25-37页。
[24] Jordan，M.I.、Ghahramani，Z.、Jaakkola，T.S.和Saul，L.K.（1999），“图形模型变分方法简介”，机器学习，37，183-233。DOI:·兹比尔0945.68164
[25] Kindalova，P.、Kosmidis，I.和Nichols，T.E.（2021年），“二元病变面罩的体素和空间建模：与真实模拟框架的方法比较”，《神经影像》，236118090。内政部：。
[26] Kosmidis，I.、Kenne Pagui，E.和Sartori，N.（2020年），“广义线性模型中的平均和中位数偏差减少”，《统计与计算》，第30期，第43-59页。内政部：·Zbl 1436.62351号
[27] Kosmidis，I.（2021），brglm2：广义线性模型中的偏差减少。R包版本0.8.0。可在https://CRAN.R-project.org/package=brglm2。
[28] Li，F.和Zhang，N.R.（2010），“结构化高维协变量空间中的贝叶斯变量选择及其在基因组学中的应用”，美国统计协会杂志，105，1202-1214。内政部：·Zbl 1390.62027号
[29] Li，X.、Wang，L.和Wang，H.J.，以及阿尔茨海默病神经成像倡议。（2021），“超高维图像标量回归的稀疏学习和结构识别”，美国统计协会杂志，1161994-2008。内政部：·Zbl 07662817号
[30] Lyddon，S.、Walker，S.和Holmes，C.（2018），“基于随机目标函数的贝叶斯模型的非参数学习”，收录于NeurIPS 2018，第2075-2085页。
[31] Mardia，K.V.（1988），“多维多元高斯马尔可夫随机场及其在图像处理中的应用”，《多元分析杂志》，24，265-284。内政部：·Zbl 0637.60065号
[32] Miller，K.、Alfaro-Almagro，F.、Bangerter，N.和Thomas，D.L.（2016），“英国生物银行前瞻性流行病学研究中的多模态人群脑成像”，《自然神经科学》，第19期，第1523-1536页。内政部：。
[33] Minka，T.E.（2001），“近似贝叶斯推断的期望传播”，DOI:。
[34] Mitchell，T.J.和Beauchamp，J.J.（1988），“线性回归中的贝叶斯变量选择”，美国统计协会杂志，83，1023-1032。DOI:·Zbl 0673.62051号
[35] Newton，M.A.和Raftery，A.E.（1994），“加权似然引导下的近似贝叶斯推断”，《皇家统计学会杂志》，B辑，56，3-26。内政部：·Zbl 0788.62026号
[36] Nie，L.和Ročková，V.（2022），“贝叶斯自举钉板LASSO”，《美国统计协会杂志》，1182013-2028年。内政部：·Zbl 07751825号
[37] Piironen，J.和Vehtari，A.（2017），“马蹄形和其他收缩先兆中的稀疏信息和规则化”，《电子统计杂志》，第11期，第5018-5051页。内政部：·Zbl 1459.62141号
[38] Polson，N.G.、Scott，J.G.和Windle，J.（2013），“使用Pólya-Gamma潜在变量对Logistic模型进行贝叶斯推断”，美国统计协会杂志，1081339-1349。内政部：·Zbl 1283.62055号
[39] Prins，N.D.和Scheltens，P.（2015年），“白质高强度、认知障碍和痴呆：最新进展”，《自然评论神经学》，第11期，第157-165页。内政部：。
[40] Ročková，V.和George，E.I.（2014），“EMVS：贝叶斯变量选择的EM方法”，《美国统计协会杂志》，109828-846。内政部：·Zbl 1367.62049号
[41] Rostrup，E.、Gouw，A.、Vrenken，H.、van Straaten，E.、Rople，S.、Pantoni，L.、Inzitari，D.、Barkhof，F.和Waldemar，G.（2012年），“与年龄相关的白质变化作为血管风险因子的功能的空间分布——来自LADIS研究的结果”，NeuroImage，60，1597-1607。内政部：。
[42] Rubin，D.B.（1981），“贝叶斯引导”，《统计年鉴》，第9130-134页。内政部：。
[43] Sharma，R.和Sekhon，S.（2021），《白质病变》，佛罗里达州金银岛：StatPearls出版社。
[44] Stingo，F.C.、Chen，Y.A.、Vannucci，M.、Barrier，M.和Mirkes，P.E.（2010），“微型RNA调控网络推断的贝叶斯图形建模方法”，《应用统计学年鉴》，2024-2048年。内政部：·Zbl 1220.62142号
[45] Veldsman，M.、Kindalova，P.、Husain，M.，Kosmidis，I.和Nichols，T.E.（2020年），“脑血管风险相关白质高信号的空间分布和认知影响”，《神经影像：临床》，第28期，第102405页。内政部：。
[46] Wardlaw，J.、Smith，E.、Biessels，G.和Cordonnier，C.（2013），“小血管疾病研究的神经成像标准及其对衰老和神经变性的贡献”，《柳叶刀神经病学》，12822-838。内政部：。
[47] Wardlaw，J.、Valdés Hernández，M.和Muñoz-Maniega，s.（2015），“白质高强度是由什么构成的？与血管认知障碍的相关性”，美国心脏协会杂志，4，e001140。内政部：。
[48] Whiteman，A.（2022年），“使用高斯过程先验对神经图像数据进行贝叶斯分析”，网址：https://deepblue.lib.umich.edu/handle/2027.42/174640。
[49] Yao，Y.、Vehtari，A.、Simpson，D.和Gelman，A.（2018），“是的，但它有效吗？：评估变异推理”，《机器学习研究论文集》，80，5581-5590。
[50] Zeng，Z.，Li，M.，and Vannucci，M..（2022），“具有空间全局-局部峰板先验的贝叶斯图像-标量回归”，贝叶斯分析，1,1-26。内政部：。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。