BICNet：一种估计fMRI数据中任务对内在连接网络影响的贝叶斯方法
应用统计
2021-07-21 v1
摘要
内在连接网络（ICNs）是在包括静息与任务在内的多种条件下一致发现的特定动态功能脑网络。研究表明，某些刺激实际上通过抑制、兴奋、调节或修改来激活内在连接。然而，ICNs的结构及任务相关效应对ICNs的影响尚未完全明了。本文中，我们提出一种贝叶斯内在连接网络（BICNet）模型以识别ICNs并量化任务相关效应对ICN动态的影响。利用扩展的贝叶斯动态稀疏潜因子模型，所提BICNet具有以下优势：（1）同时识别个体ICNs与组水平ICN空间映射；（2）通过联合建模静息态功能磁共振成像（rfMRI）与任务相关功能磁共振成像（tfMRI）稳健识别ICNs；（3）相较于基于独立成分分析（ICA）的方法，可量化不同状态下ICNs幅度的差异；（4）通过ICNs的稀疏性自动执行特征选择而非临时阈值化。所提BICNet应用于来自人类连接组计划（HCP）的rfMRI与语言tfMRI数据，分析识别出若干与不同语言处理功能相关的ICNs。
引用
@article{arxiv.2107.09160,
title = {BICNet: A Bayesian Approach for Estimating Task Effects on Intrinsic Connectivity Networks in fMRI Data},
author = {Meini Tang and Chee-Ming Ting and Hernando Ombao},
journal= {arXiv preprint arXiv:2107.09160},
year = {2021}
}