×
于成汉;拉奎尔·普拉多;埃尔南多·奥姆巴奥;丹尼尔·罗伊

贝叶斯变量选择方法改进了复杂值fMRI对大脑激活的检测。 （英语） 兹比尔1409.62230

美国统计协会。 113，第524号，1395-1410（2018）.
摘要：体素功能磁共振成像（fMRI）时间过程是产生幅度和相位数据的复杂值信号。然而，大多数研究仅使用震级信号，因此丢弃了可能包含重要信息的一半数据。与仅幅值的方法相比，使用复值fMRI（CV-fMRI）数据的方法在检测活动体素方面具有更高的能力，特别是对于小信噪比（SNR）。我们提出了一种新的贝叶斯变量选择方法，用于从CV-fMRI数据中检测体素水平的大脑激活。我们开发了具有激活参数的复杂值尖峰和尖峰先验值的模型，该模型能够结合幅度和相位信息。我们提出了一种复值EM变量选择算法，该算法能够在CV-fMRI切片的体素水平上实现快速检测，并考虑了马尔可夫链蒙特卡罗（MCMC）的全后验推理。通过广泛的仿真研究，包括基于物理的仿真CV-fMRI切片的分析，说明了模型的性能。最后，我们使用复合值贝叶斯方法从一个在设计的实验中进行单侧手指敲击的健康个体中检测人类CV-fMRI中的活动体素。与其他CV-fMRI方法相比，该方法能够改进对预期运动相关脑区激活的检测，并产生较少的假阳性结果。

引用于三文件

MSC公司：

62页第10页 统计学在生物学和医学中的应用；元分析
62M10个 统计学中的时间序列、自相关、回归等（GARCH）

关键词：

贝叶斯建模;复值时间序列;CV-fMRI;变量选择

软件：

格尔姆奈特;neuRosim公司;EMVS公司
PDF格式BibTeX公司 XML格式引用
\textit{C.-H.Yu}等人，《美国统计协会期刊》第113期，第524、1395--1410号（2018年；Zbl 1409.62230）
全文： 内政部 链接

参考文献：

[1] 阿德里安，D.W。；Maitra，R。；Rowe，D.B.，Ricean Over Gaussian Modelling in Magnitude fMRI Analysis-Added Complexity With Negatible Practical Benefits，Stat，2303-316（2013年）
[2] Adrian，D.W.、Maitra，R.和Rowe，D.B.（2017），“功能磁共振成像研究中提高激活检测准确性的复杂值时间序列建模”应用统计年鉴，已接受·Zbl 1405.62152号
[3] Bandettini，P.A。；Wong，E.C。；Hinks，R.S。；Tikofsky，R.S。；Hyde，J.S.，任务激活期间人脑功能的时间进程EPI，医学中的磁共振，25390-397（1992）
[4] Barbieri，M.M。；Berger，J.O.，最佳预测模型选择，《统计年鉴》，32870-897（2004）·兹比尔1092.62033
[5] 伯恩斯坦，医学硕士。；托马森，D.M。；Perman，W.H.，通过相位校正真实重建提高低信噪比磁共振图像的可检测性，医学物理学，16813-817（1989）
[6] 鲍曼，D.F。；Caffo，B。；巴塞特，S.S。；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》，39，146-156（2008）
[7] Brandwood，D.H.，复梯度算子及其在自适应阵列理论、通信、雷达和信号处理中的应用，IEE Proceedings F，130，11-16（1983）
[8] 卡尔霍恩医学博士。；阿达利，T。；Pearlson，G.D。；Van Zijl，P.C.M。；Pekar，J.J.，《复杂领域fMRI数据的独立成分分析》，医学磁共振，48，180-192（2002）
[9] Chiang，S.、Guindani，M.、Yeh，H.J.、Haneef，Z.、Stern，J.M.和Vannucci，M.（2017），“识别与颞叶前切除术后手术结果预测相关的PET标记物的层次贝叶斯模型”神经科学前沿, 11, 1-16.
[10] 弗里德曼，J。；哈斯蒂，T。；Tibshirani，R.，通过坐标下降的广义线性模型的正则化路径，统计软件杂志，33，1-22（2010）
[11] Friston，K.J.、Ashburner，J.T.、Kiebel，S.J.、Nichols，T.E.和Penny，W.D.（2007），统计参数映射：脑功能图像的分析伦敦：学术出版社。
[12] Friston，K.J。；Jezzard，P。；Turner，R.，《功能性MRI时间序列分析》，人脑绘图，1153-171（1994）
[13] 乔治，E.I。；Mcculloch，R.E.，《通过吉布斯抽样进行变量选择》，美国统计协会杂志，88，881-889（1993）
[14] ---，《贝叶斯变量选择方法》，《中国统计》，7339-373（1997）·Zbl 0884.62031号
[15] Gudbjartsson，H。；Patz，S.，噪声MRI数据的Rician分布，医学磁共振，341910-914（1995）
[16] Haacke，E.、Brown，R.、Thompson，M.和Venkatesan，R.（1999），磁共振成像：原理和序列设计纽约：Wiley。
[17] Hjörunnes，A。；Gesbert，D.，《复值矩阵微分：技术和关键结果》，IEEE信号处理汇刊，552740-2746（2007）·Zbl 1390.65040号
[18] 卡拉曼，M。；布鲁斯，I.P。；Rowe，D.B.，《将松弛性纳入更准确重建MR图像》，磁共振成像，33，374-384（2015）
[19] Karaman，M.M。；布鲁斯，I.P。；Rowe，D.B.，《差异T2的统计fMRI模型*对比度合并灰质T1和T2》，磁共振成像，32，9-27（2014）
[20] 科丘巴，M.C。；Rowe，D.B.，《复杂值时间序列相关性增加fMRI分析的敏感性》，磁共振成像，34765-770（2016）
[21] Lai，S.和Glover，G.H.（1997），“利用复杂数据检测BOLD fMRI信号”，载于加拿大不列颠哥伦比亚省温哥华市ISMRM第五届年会会议记录，第1671页。
[22] Lee，J。；沙赫拉姆，M。；Pauly，J.M.，功能性MRI中的复杂信号变化组合，医学磁共振，621358-1360（2009）
[23] Lee，J。；沙赫拉姆，M。；施瓦茨曼，A。；Pauly，J.M.，高分辨率SSFP fMRI中的复杂数据分析，医学中的磁共振，57905-917（2007）
[24] Lee，K.J。；Jones，G.L。；Caffo，B.S。；Bassett，S.S.，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，9，699-732（2014）·Zbl 1327.62507号
[25] Macovski，A.，MRI中的噪音，医学中的磁共振，36494-497（1996）
[26] Mandic，P.D.和Goh，V.S.L.（2009），复值非线性自适应滤波器纽约：Wiley·Zbl 1165.94301号
[27] Müeller，P.、Parmigiani，G.和Rice，K.（2006），《罗斯福与贝叶斯多重比较规则》贝叶斯统计8：第八届巴伦西亚国际会议记录编辑J.M.Bernardo、M.J.Bayarri、J.O.Berger、A.P.Dawid、D.Heckerman、A.F.M.Smith和M.West，牛津：牛津大学出版社。
[28] 奥本海姆公司。；Lim，J.S.，相位信号的重要性，IEEE会议录，69，529-541（1981）
[29] Peters，A.M.、Broooks，M.J.、Hoogenrad，F.G.、Gowland，P.A.、Francis，S.T.、Morris，P.G.和Bowtell，R.W.（2006），《1.5、3和7 T时人脑T2*测量值的比较》国际医学磁共振学会会刊（第14卷），西雅图，华盛顿州：威利，第926页。
[30] Picinbano，B.，二阶复随机向量和正态分布，IEEE信号处理汇刊，442637-2640（1996）
[31] Prah，D.E。；鲍尔森，E.S。；Nencka，A.S。；Schmainda，K.M.，《校正噪声地板抑制的简单方法：应用于扩散加权成像的相位校正真实数据重建》，医学磁共振，64，418-429（2010）
[32] Rice，S.O.，随机噪声的数学分析，贝尔系统技术期刊，23282-332（1944）·Zbl 0063.06485号
[33] Rockova，V。；George，E.I.，EMVS:贝叶斯变量选择的EM方法，美国统计协会杂志，109，828-846（2014）·Zbl 1367.62049号
[34] Rowe，D.B.（2005a），“复杂值fMRI数据的幅度和相位建模”神经影像, 25, 1310-1324.
[35] ---（2005b），“仅幅度和复杂值fMRI数据模型中的参数估计”神经影像, 25, 1124-1132.
[36] ---《复杂值fMRI数据中的幅度和相位信号检测》，《医学中的磁共振》，621356-1357（2009）
[37] Rowe，D.B。；Logan，B.R.，《计算fMRI激活的复杂方法》，《神经影像》，第23期，第1078-1092页（2004年）
[38] ---，《无限制相位的复杂fMRI分析等效于仅幅度模型》，NeuroImage，24，603-606（2005）
[39] 斯科特·J·G。；Berger，J.O.，《贝叶斯多重测试方面的探索》，《统计规划与推断杂志》，136，2144-2162（2006）·Zbl 1087.62039号
[40] 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，102，417-431（2007）·Zbl 1134.62322号
[41] Sun，W.、Reich，B.、Cai，T.、Guindani，M.和Schwartzman，A.（2015），“大规模空间多重测试中的错误发现控制，”英国皇家统计协会杂志，B系列，77，59-83·Zbl 1414.62043号
[42] Tibshirani，R.（1996），“通过套索的回归收缩和选择，”英国皇家统计学会杂志，B系列，58，267-288·Zbl 0850.62538号
[43] Van Den Bos，A.，《多元复正态分布的推广》，IEEE信息理论汇刊，41537-539（1995）·Zbl 0822.60010号
[44] Wang，J.，Liang，F.，Li，Y.和Zhu，Y..（2015），“贝叶斯变量选择（SAR）的可扩展算法及其在癌症miRNA-mRNA调控中的应用”，提交。
[45] 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》，44，1-18（2011）
[46] Wooding，R.A.，《复杂正态变量的多元分布》，生物统计学，43，212-215（1956）·Zbl 0070.36204号
[47] Xia，J.、Liang，F.和Wang，Y.（2009年），《利用空间先验的贝叶斯变量选择进行FMRI分析》2009年IEEE生物医学成像国际研讨会论文集：从纳米到宏观马萨诸塞州波士顿：IEEE，第714-717页。
[48] 于，Z。；普拉多，R。；Ombao，H。；E.昆兰。；克雷默，S。；Ombao，H.，《理解中风对脑运动功能的影响：层次贝叶斯方法》，美国统计协会杂志，111549-563（2016）
[49] 张，L。；Guindani，M。；Vannucci，M.，fMRI数据分析的贝叶斯模型，WIRE计算统计，7，21-41（2015）
[50] 张，L。；Guindani，M。；范思哲，F。；Engelmann，J.M。；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，10638-666（2016）·Zbl 1400.62299号
[51] 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）
[52] Zou，H.，《自适应套索及其Oracle属性》，《美国统计协会杂志》，第101期，第1418-1429页（2006年）·兹比尔1171.62326
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且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。