×
丹尼尔·斯宾塞;Rajarshi Guhaniyogi;拉奎尔·普拉多

fMRI实验中体素激活和区域间连通性的联合贝叶斯估计。 （英语） Zbl 1477.62352号

心理测量学 85，第4期，845-869（2020年）.
摘要：基于任务的功能磁共振成像（fMRI）实验中的多个受试者的大脑激活和连通性分析目前处于数据驱动神经科学的前沿。在这样的实验中，人们的兴趣通常在于理解由于外部刺激和一组预先指定的脑体素组（也称为感兴趣区域（ROI））上的测量之间的强关联或连接而引起的脑体素的激活。本文提出了一个联合贝叶斯加性混合建模框架，可以同时评估多个受试者的大脑激活和连接模式。特别是，每次以多维阵列/张量形式获得的每个个体的fMRI测量值都会根据刺激的功能进行回归。我们对与刺激相对应的张量回归系数进行低秩并行因式分解，以实现简约性。使用多路断粘收缩先验来推断每个体素中的激活模式和相关不确定性。此外，该模型引入了区域特定的随机效应，这些随机效应在考虑成对ROI之间的连通性之前，使用贝叶斯-高斯图形联合建模。各种模拟研究的实证研究证明了该方法作为同时评估大脑激活和连通性的工具的有效性。然后将该方法应用于气球模拟冒险实验中的多主体fMRI数据集，显示了该模型在对与大脑处理风险相关的体素级激活和区域间连接提供可解释的联合推断方面的有效性。通过仿真研究和与神经科学界使用的其他方法的比较，也验证了该方法的有效性。

引用于三文件

MSC公司：

第62页，共15页 统计学在心理学中的应用
2015年1月62日 贝叶斯推断
92 C55 生物医学成像和信号处理

关键词：

贝叶斯推断;大脑激活;大脑连通性;功能磁共振成像;图形化建模;多路断棒优先;PARAFAC分解;张量响应

软件：

DensParcorr公司;neuRosim公司;贝叶斯DA;FSL公司
PDF格式BibTeX公司 XML格式引用
\textit{D.Spencer}等人，《心理测量学》85，第4期，845--869（2020；Zbl 1477.62352）
全文： 内政部

参考文献：

[1] 阿玛根。；邓森，DB；Lee，J.，《广义双帕累托收缩》，《中国统计》，23，1，119（2013）·兹比尔1259.62061
[2] Y.本杰米尼。；Hochberg，Y.，控制错误发现率：一种实用而强大的多重测试方法，英国皇家统计学会杂志：B系列（方法论），57，1289-300（1995）·Zbl 0809.62014号
[3] FD鲍曼；Caffo，B。；巴塞特，SS；Kilts，C.，功能磁共振成像数据空间建模的贝叶斯层次框架，神经影像，39，1，146-156（2008）
[4] 布朗，PJ；Vannucci，M。；Fearn，T.，多元贝叶斯变量选择和预测，《皇家统计学会杂志：B辑（统计方法）》，60，3，627-641（1998）·Zbl 0909.62022号
[5] 卡瓦略，CM；Polson，NG；Scott，JG，稀疏信号的马蹄形估计器，Biometrika，97，2，465-480（2010）·Zbl 1406.62021号
[6] 柯林斯，DL；CJ霍姆斯；Peters，TM公司；埃文斯，AC，基于三维模型的自动神经解剖学分割，人脑绘图，3，3，190-208（1995）
[7] Das，A。；亚利桑那州桑普森；Lainscsek，C。；穆勒，L。；Lin，W。；道尔，JC；现金，SS；Halgren，E。；Sejnowski，TJ，《精确矩阵的解释及其在根据人体皮层电图记录估计睡眠纺锤波期间稀疏大脑连通性中的应用》，《神经计算》，29，3，603-642（2017）·Zbl 1414.92163号
[8] 埃克隆德，A。；尼科尔斯，TE；Knutsson，H.，《集群故障：为什么fMRI对空间范围的推断会抬高假阳性率》，《美国国家科学院院刊》，113，28，7900-7905（2016）
[9] 弗兰丁，G。；Penny，WD，Bayesian fMRI数据分析与稀疏空间基函数先验，Neuroimage，34，3，1108-1125（2007）
[10] KJ弗里斯顿；阿什伯恩，J。；弗里斯，CD；脊髓灰质炎，J-B；希瑟，JD；Frackowiak，RSJ，图像的空间注册和规范化，人脑映射，3，3，165-189（1995）
[11] KJ弗里斯顿；弗莱彻，P。；O.约瑟夫。；A.福尔摩斯。；医学博士Rugg；Turner，R.，《事件相关功能磁共振成像：表征差异反应》，《神经影像学》，第7、1、30-40页（1998年）
[12] Gelman，A。；卡林，JB；斯特恩，HS；邓森，DB；Vehtari，A。；Rubin，DB，贝叶斯数据分析（2014），博卡拉顿：CRC出版社，博卡拉顿·Zbl 1279.62004号
[13] 乔治，EI；McCulloch，RE，通过吉布斯抽样进行变量选择，美国统计协会杂志，88，423，881-889（1993）
[14] Guhaniyogi，R.和Spencer，D.（2018年）。贝叶斯张量反应回归及其在脑激活研究中的应用。技术报告，UCSC。
[15] Guhaniyogi，R。；卡马尔，S。；Dunson，DB，贝叶斯张量回归，《机器学习研究杂志》，18，79，1-31（2017）·Zbl 1440.62253号
[16] 和记黄埔，RM；沃梅尔斯多夫，T。；艾伦，EA；宾夕法尼亚州班德蒂尼；弗吉尼亚州卡尔霍恩；科贝塔，M。；佩纳，SD；JH Duyn；手套，GH；Gonzalez-Castillo，J.，《动态功能连接：承诺、问题和解释》，《神经影像》，80，360-378（2013）
[17] 伊什瓦兰，H。；Rao，JS，Spike and slab variable selection:Frequentist and Bayesian strategies，《统计年鉴》，33，2，730-773（2005）·Zbl 1068.62079号
[18] 詹金森，M。；CF贝克曼；德克萨斯州贝伦斯；伍尔里奇，MW；Smith，SM，Fsl，Neuroimage，62，2782-790（2012年）
[19] 卡卢斯，S。；塞曼，PG；Fahrmeir，L.，通过fMRI回归中的空间贝叶斯变量选择对大脑激活进行分类，数据分析和分类进展，8，1，63-83（2014）·Zbl 1459.62205号
[20] Kiers，HAL，《走向多元分析中的标准化符号和术语》，《化学计量学杂志：化学计学学会杂志》，14，3，105-122（2000）
[21] 科尔达，TG；Bader，BW，张量分解与应用，SIAM Review，51，3，455-500（2009）·Zbl 1173.65029号
[22] JH Kook；Guindani，M。；张，L。；Vannucci，M.，NPBayes-fMRI：单学科和多学科fMRI数据的非参数贝叶斯一般线性模型，《生物科学统计》，11，1，3-21（2019）
[23] Lazar，N.，《功能性MRI数据的统计分析》（2008年），纽约：Springer，纽约·Zbl 1312.62004号
[24] Lee，K-J；Jones，德国劳埃德船级社；Caffo，理学学士；Bassett，SS，功能磁共振成像时间序列数据的空间贝叶斯变量选择模型，贝叶斯分析（在线），9，3，699（2014）·Zbl 1327.62507号
[25] 李，H。；Pati，D.，使用收缩先验的变量选择，计算统计与数据分析，107，107-119（2017）·Zbl 1466.62135号
[26] 李，L。；Zhang，X.，简约张量响应回归，美国统计协会杂志，112，519，1131-1146（2017）
[27] Mazziotta，J。；多哥，A。；埃文斯，A。；福克斯，P。；兰卡斯特，J。；Zilles，K。；伍兹，R。；Paus，T。；辛普森，G。；Pike，B.，《人脑概率地图集和参考系统：国际脑图绘制协会（ICBM）》，伦敦皇家学会哲学学报。B辑：生物科学，35614121293-1322（2001）
[28] 米勒，L。；Milner，B.，额叶或颞叶切除术后的认知风险。语音和语义信息的合成，神经心理学，23，3，371-379（1985）
[29] Ng，B.、Abugharbieh，R.、Varoqueux，G.、Poline，J.B.和Thirion，B.（2011年）。连通性通知fMRI激活检测。在医学图像计算和计算机辅助干预国际会议上（第285-292页）。斯普林格。
[30] 奥沙森，BA；Field，DJ，感觉输入的稀疏编码，《神经生物学的当前观点》，14，4，481-487（2004）
[31] 帕特尔，RS；FDB鲍曼；Rilling，JK，确定人脑连通性的贝叶斯方法，人脑映射，27，3，267-276（2006）
[32] 帕特尔，RS；FDB鲍曼；Rilling，JK，从听觉刺激fMRI确定层次功能网络，人脑映射，27，5，462-470（2006）
[33] 佩妮，WD；KJ弗里斯顿；阿什伯恩，JT；SJ，Kiebel；Nichols，TE，《统计参数映射：脑功能图像分析》（2011），波士顿：爱思唯尔出版社，波士顿
[34] Sanyal，北。；Ferreira，MAR，功能MRI数据的贝叶斯分层多主题多尺度分析，神经图像，63，3519-1531（2012）
[35] 肖恩伯格，T。；福克斯，CR；日本芒福德；Congdon，E。；特雷佩尔，C。；Poldrack，RA，《连续冒险期间腹内侧前额叶皮层活动减少：气球模拟风险任务的功能磁共振成像研究》，《神经科学前沿》，6，80（2012）
[36] 斯科特，JG；Berger，JO，《变量选择问题中的贝叶斯和经验-贝叶斯多重性调整》，《统计年鉴》，38，5，2587-2619（2010）·Zbl 1200.62020年
[37] 史密斯，M。；Fahrmeir，L.，空间贝叶斯变量选择及其在功能磁共振成像中的应用，美国统计协会杂志，102，478，417-431（2007）·Zbl 1134.62322号
[38] Wang，H.，贝叶斯图解LASSO模型和有效后验计算，贝叶斯分析，7，4，867-886（2012）·Zbl 1330.62041号
[39] 王，X。；Nan，B。；朱，J。；Koeppe，R.，通过Haar小波对大脑图像数据进行正则化3D函数回归，应用统计年鉴，8，2，1045（2014）·Zbl 1454.62415号
[40] Wang，Y.、Kang，J.、Kemmer，P.B.和Guo，Y.（2018）。DensParcorr：大规模脑网络中基于密度的偏相关估计方法。2019年1月18日检索自https://CRAN.R-project.org/package=DensParcorr。R软件包版本1.1。
[41] Warnick，R。；Guindani，M。；Erhardt，E。；艾伦，E。；卡尔霍恩，V。；Vannucci，M.，用于估计fMRI数据中动态功能网络连通性的贝叶斯方法，美国统计协会杂志，113，521，134-151（2018）·Zbl 1398.62350号
[42] Welvaert，M。；Durnez，J。；默克尔，B。；Verdoolaege，G。；Rosseel，Y.，neuRosim:生成fMRI数据的R包，《统计软件杂志》，44，10，1-18（2011）
[43] Welvaert，M。；Rosseel，Y.，关于fMRI数据的信噪比和对比度噪声比的定义，PLoS one，8，11，e77089（2013）
[44] 徐，L。；约翰逊，TD；尼科尔斯，TE；Nee，DE，《fMRI激活位置的受试者间变异建模：贝叶斯层次空间模型》，生物统计学，65，4，1041-1051（2009）·Zbl 1181.62099号
[45] Yu，C-H；普拉多，R。；奥姆宝，H。；Rowe，D.，贝叶斯变量选择方法从复杂值fMRI中改进了大脑激活检测，美国统计协会杂志，113，524，1395-1410（2018）·Zbl 1409.62230号
[46] 张杰。；李，X。；李，C。；Lian，Z。；黄，X。；钟，G。；朱，D。；李凯。；Jin，C。；Hu，X.，通过动态贝叶斯变量划分模型推断功能交互和转换模式，人脑映射，35，7，3314-3331（2014）
[47] 张，L。；Guindani，M。；Vannucci，M.，功能磁共振成像数据分析的贝叶斯模型，威利跨学科评论：计算统计，7，1，21-41（2015）
[48] 张，L。；Guindani，M。；范思哲，F。；Engelmann，JM；Vannucci，M.，多学科fMRI数据的时空非参数贝叶斯模型，应用统计年鉴，10，2，638-666（2016）·兹比尔1400.62299
[49] 张，L。；Guindani，M。；范思哲，F。；Vannucci，M.，用于聚类相关时间进程的fMRI数据的时空非参数贝叶斯变量选择模型，Neuroimage，95162-175（2014）
[50] 周，H。；李，L。；Zhu，H.，Tensor回归及其在神经影像数据分析中的应用，美国统计协会杂志，108，502，540-552（2013）·Zbl 06195959号
[51] 朱，H。；范，J。；Kong，L.，跳跃不连续性神经成像数据的空间变系数模型，美国统计协会杂志，109，507，1084-1098（2014）·Zbl 1368.62297号
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。