用于高分辨率任务功能连接 MRI 分析的字典学习与稀疏编码去噪
机器学习
2017-07-24 v1 机器学习
摘要
我们提出了一种用于任务功能磁共振成像数据的新型去噪框架，通过字典学习与稀疏编码（DLSC）来描绘大脑功能连接的高分辨率空间模式。为了解决基于无监督 DLSC 的 fMRI 研究的局限性，我们在学习步骤中利用任务范式的先验知识来训练数据驱动的字典并对稀疏表示进行建模。我们将所提出的基于 DLSC 的方法应用于 Human Connectome Project (HCP) 运动 tfMRI 数据集。对体感运动网络中大小脑回路功能连接的研究表明，与基于时间非局部均值（tNLM）的去噪方法以及不去噪的情况相比，基于 DLSC 的去噪框架能够显著改善显著的连接模式，这在运动区域内是一致的且具有神经科学意义的。令人鼓舞的结果表明，所提出的方法可以为高分辨率功能连接分析提供重要基础，并为 fMRI 预处理提供更好的方法。
引用
@article{arxiv.1707.06962,
title = {Dictionary Learning and Sparse Coding-based Denoising for High-Resolution Task Functional Connectivity MRI Analysis},
author = {Seongah Jeong and Xiang Li and Jiarui Yang and Quanzheng Li and Vahid Tarokh},
journal= {arXiv preprint arXiv:1707.06962},
year = {2017}
}
备注
8 pages, 3 figures, MLMI2017