一种用于动态神经影像数据反卷积的函数型方法
应用统计
2014-11-11 v1 统计方法学
摘要
正电子发射断层扫描 (PET) 是一种成像技术，可用于研究人体生物过程中的化学变化，例如癌症发展或神经化学反应。目前，大多数动态 PET 扫描的分析都基于这样一个假设：线性一阶动力学可以充分描述所观测的系统。然而，最近有强有力的证据表明情况并非如此。为了提供一种不受此房室模型假设约束的 PET 数据分析方法，我们提出了一种基于函数型主成分分析的动态 PET 数据非参数反卷积和分析模型。这使得可能的反卷积函数具有灵活性，同时在线性房室模型设定是真实数据生成机制时仍表现良好。由于反卷积只需在相对少量的基函数上进行，而不是在整个三维体积中逐体素进行，因此该方法对典型的脑成像噪声水平具有鲁棒性，同时计算效率高。我们通过一维函数和二维图像的模拟研究了这一新方法，并将其应用于一项神经影像学研究，该研究的目标是量化大脑中的阿片受体浓度。
引用
@article{arxiv.1411.2051,
title = {A functional approach to deconvolve dynamic neuroimaging data},
author = {Ci-Ren Jiang and John A D Aston and Jane-Ling Wang},
journal= {arXiv preprint arXiv:1411.2051},
year = {2014}
}
备注
33 pages, 10 figures