用于皮质表面fMRI数据分析的贝叶斯广义线性建模方法
应用统计
2017-06-06 v1
摘要
皮质表面fMRI（cs-fMRI）近来相比传统体素fMRI日益流行，因其允许更有意义的空间平滑，且更兼容贝叶斯空间模型中各向同性与平稳性的常见假设。然而，由于尚未有针对cs-fMRI数据的贝叶斯空间模型提出，多数分析仍采用经典的逐体素广义线性模型（GLM）（Worsley and Friston 1995）。在此，我们提出一种用于cs-fMRI的贝叶斯GLM，其采用一类精细空间过程来灵活建模潜在激活场。我们使用集成嵌套拉普拉斯近似（INLA），一种高精度高效的贝叶斯计算技术（Rue et al. 2009）。为识别激活区域，我们提出一种基于潜在场联合后验分布的偏移集（excursions set）方法，消除了多重比较校正的需要。最后，我们通过提出一种新颖的贝叶斯多受试者分析方法填补了现有文献的空白。该方法通过模拟研究及来自Human Connectome Project的运动任务fMRI研究进行验证，并与经典GLM比较。所提贝叶斯方法产生了更平滑的激活估计、更准确的假阳性控制，以及更高的检测真实活跃区域的效能。
引用
@article{arxiv.1706.00959,
title = {A Bayesian General Linear Modeling Approach to Cortical Surface fMRI Data Analysis},
author = {Amanda Mejia and Yu Ryan Yue and David Bolin and Finn Lindren and Martin A. Lindquist},
journal= {arXiv preprint arXiv:1706.00959},
year = {2017}
}