CanICA: 基于模型从fMRI时间序列中提取可复现的组级ICA模式
计算机视觉与模式识别
2009-11-25 v1 应用统计
摘要
空间独立成分分析(ICA)是一种日益广泛使用的数据驱动方法，用于分析功能磁共振成像(fMRI)数据。迄今为止，它已被用于在无先验信息的情况下提取有意义的模式。然而，ICA对轻微的数据变化不稳健，且仍是一个参数敏感的算法。提取模式的有效性以及从不同受试者组中提取的模式之间差异的显著性难以确定。我们从fMRI组数据的生成模型出发，引入了一种概率性ICA模式提取算法，称为CanICA（典型ICA）。得益于显式的噪声模型和典型相关分析，我们的方法自动校准，并在执行ICA之前识别出组可复现的数据子空间。我们将我们的方法与最先进的多受试者fMRI ICA方法进行比较，结果表明提取的特征更具可复现性。
引用
@article{arxiv.0911.4650,
title = {CanICA: Model-based extraction of reproducible group-level ICA patterns from fMRI time series},
author = {Gaël Varoquaux and Sepideh Sadaghiani and Jean Baptiste Poline and Bertrand Thirion},
journal= {arXiv preprint arXiv:0911.4650},
year = {2009}
}