用于神经影像的贝叶斯非中心卡方回归
应用统计
2016-12-22 v1 统计方法学
摘要
我们提出一种针对非中心 (NC-) 分布的功能磁共振成像 (fMRI) 和扩散加权成像 (DWI) 数据的回归模型，以异方差 Rician 回归模型作为一个重要特例。该模型允许 NC- 分布中的两个参数都与解释变量相关联，相关协变量通过贝叶斯变量选择自动选取。提出了一种高效的马尔可夫链蒙特卡洛 (MCMC) 算法，用于从所有模型参数和二元协变量选择指标的联合贝叶斯后验分布中模拟。模拟的 fMRI 数据表明，在低信噪比下，Rician 模型比传统使用的高斯模型能更准确地定位脑活动。使用来自人类连接组计划 (Human Connectome Project) 的一个扩散数据集，也显示常用的近似高斯噪声模型低估了单扩散张量模型中的平均扩散率 (MD) 和分数各向异性 (FA)，而理论上正确的 Rician 模型则不然。
引用
@article{arxiv.1612.07034,
title = {Bayesian Non-Central Chi Regression For Neuroimaging},
author = {Bertil Wegmann and Anders Eklund and Mattias Villani},
journal= {arXiv preprint arXiv:1612.07034},
year = {2016}
}