用于脑连接组推断的约束贝叶斯 ICA
应用统计
2019-11-15 v1 神经元与认知
摘要
脑连接组学是神经科学中一个正在发展的领域，致力于通过脑区之间相互作用的分析来理解认知过程与精神疾病。然而，在通常表征 fMRI 数据的高维、小样本与噪声背景下，此类相互作用的复原仍是一项持续挑战：我们如何发现脑区之间可随后关联至认知过程或精神疾病的共活动模式？本文研究一种约束贝叶斯 ICA 方法，与现有方法相比，其同时允许 (a) 多源信息（fMRI、DWI、解剖等）的灵活融合，(b) 对适当稀疏水平与连通子模块数量的自动且无参数选择，以及 (c) 对所复原相互作用不确定性的估计提供。我们在合成与真实数据上的实验验证了方法的灵活性，并凸显了融合解剖信息对连接组推断的益处。
引用
@article{arxiv.1911.05770,
title = {Constrained Bayesian ICA for Brain Connectome Inference},
author = {Claire Donnat and Leonardo Tozzi and Susan Holmes},
journal= {arXiv preprint arXiv:1911.05770},
year = {2019}
}