基于 EM 的皮质表面与皮下 fMRI 数据脑激活快速贝叶斯估计
统计方法学
2022-03-02 v1
摘要
脑成像扫描分析对于理解人脑功能方式至关重要，可用于治疗影响大量人口生活质量的损伤与疾病。其中，功能磁共振成像（fMRI）扫描以高空间和时间分辨率提供活体受试者的详细数据。由于这些扫描采集成本高昂，稳健的分析方法对于产生有意义的推断极为关键。特别是，贝叶斯方法可将既往研究的预期行为纳入分析，在提升结果效力的同时规避经典分析中的问题，包括结果平滑的效应以及对多重比较检验校正敏感性等问题。近期发展的基于表面的空间贝叶斯一般线性模型用于皮质表面 fMRI（cs-fMRI）数据，利用随机偏微分方程（SPDE）先验在任务 fMRI 数据中提供了所需的效力提升。该模型依赖集成嵌套拉普拉斯近似（INLA）的计算效率来执行已被验证优于经典分析的强力分析。在本文中，我们为 GLM 开发了一种精确的贝叶斯分析方法，采用期望最大化（EM）算法在最小计算资源下求取 cs-fMRI 与皮下 fMRI 数据上基于任务回归量的最大后验（MAP）估计。我们将所提方法与贝叶斯 GLM 的 INLA 实现以及经典 GLM 在模拟数据上进行比较。并提供了基于人类连接组计划数据的方法验证。
引用
@article{arxiv.2203.00053,
title = {Fast Bayesian estimation of brain activation with cortical surface and subcortical fMRI data using EM},
author = {Daniel Spencer and David Bolin and Mary Beth Nebel and Amanda Mejia},
journal= {arXiv preprint arXiv:2203.00053},
year = {2022}
}
备注
19 pages, 5 figures