fMRI核回归：一种基于核的静息态fMRI逐点统计分析方法用于群体研究
信号处理
2020-12-15 v1 机器学习
图像与视频处理
摘要
由于静息态fMRI（rs-fMRI）信号的自发性质，跨被试比较以及因此产生的rs-fMRI群体研究具有挑战性。大多数现有的群体比较方法使用从fMRI时间序列中提取的特征，例如连接性特征、独立成分分析（ICA）和功能连接密度（FCD）方法。然而，在群体研究中，特别是在谱系障碍的情况下，到单一图谱或代表性被试的距离并不能充分反映可能位于多维谱系上的被试之间的差异。此外，在这种情况下可能不存在能够代表所有被试的单个被试甚至平均图谱。在此我们描述一种方法，该方法测量成对被试的同步rs-fMRI信号之间的成对距离，而不是到单一参考点的距离。我们还提出了一种利用所生成的成对特征来建立径向基函数核矩阵的fMRI数据比较方法。该核矩阵进而用于执行rs-fMRI到临床变量（例如感兴趣的认知或神经生理表现评分）的核回归。该方法为fMRI数据开辟了新的逐点分析范式。我们通过使用rs-fMRI数据在皮层表面进行逐点分析以识别与ADHD指数变异性相关的皮层区域来展示该方法的应用。虽然逐点分析方法在解剖学研究中很常见，例如皮层厚度分析以及基于体素和张量的形态测量及其变体，但rs-fMRI缺乏这样的方法，而这可能提高rs-fMRI在群体研究中的效用。本文提出的方法旨在填补这一空白。
引用
@article{arxiv.2012.06972,
title = {fMRI-Kernel Regression: A Kernel-based Method for Pointwise Statistical Analysis of rs-fMRI for Population Studies},
author = {Anand A. Joshi and Soyoung Choi and Haleh Akrami and Richard M. Leahy},
journal= {arXiv preprint arXiv:2012.06972},
year = {2020}
}