用于 fMRI 分析的细粒度功能模态图谱
神经元与认知
2020-03-12 v1 信号处理
机器学习
摘要
群体影像显著增大了功能影像数据集的规模，为个体间差异的神经基础提供了新见解。分析这些大数据带来了新的可扩展性挑战，包括计算与统计方面。因此，脑图像通常被概括为少量信号，例如利用脑图谱或功能模态对体素水平度量进行降维。相应脑网络的选择十分重要，因为大多数数据分析都从这些降维信号开始。我们提出了细分辨率的功能模态图谱，包含 64 至 1024 个网络。这些功能模态字典（DiFuMo）在总计 2.4TB、跨越 27 项研究及众多研究组的数百万个 fMRI 脑功能体积上训练得到。我们展示了在许多经典功能数据分析流程中，从我们的细粒度图谱提取降维信号的优势：基于 12,334 个脑响应进行刺激解码、跨会话与个体的 fMRI 标准 GLM 分析、为 2,500 名个体提取静息态功能连接组生物标志物、对超过 15,000 张统计图谱进行数据压缩与元分析。在每种分析场景中，我们将我们的功能图谱与其他常用参考以及简单的体素水平分析的性能进行比较。结果凸显了使用高维“软”功能图谱以表示和分析脑活动并捕捉其功能梯度的重要性。基于高维模态的分析取得了与体素水平相近的统计性能，但计算成本大幅降低且可解释性更高。除提供这些图谱外，我们基于其解剖位置为这些模态赋予了有意义的名称，这将便于结果报告。
引用
@article{arxiv.2003.05405,
title = {Fine-grain atlases of functional modes for fMRI analysis},
author = {Kamalaker Dadi and Gaël Varoquaux and Antonia Machlouzarides-Shalit and Krzysztof J. Gorgolewski and Demian Wassermann and Bertrand Thirion and Arthur Mensch},
journal= {arXiv preprint arXiv:2003.05405},
year = {2020}
}