真值静息态信号为 fMRI 时间序列动力学的扫描仪畸变提供数据驱动估计与校正
医学物理
2020-10-15 v3 图像与视频处理
摘要
fMRI 学界在将神经元活动与其他生理诱发的 T2* 变化解耦方面已取得巨大进展，所用传感器可提供关于心电、呼吸和头部运动动力学的真值（ground-truth）。然而，血氧水平依赖（BOLD）时间序列动力学受扫描仪伪影干扰，其复杂方式不仅可在不同扫描仪间变化，甚至对同一扫描仪也可在会话间变化。缺乏等效真值迄今阻碍了可靠识别与去除扫描仪诱发噪声方法的发展。为解决此问题，我们首先设计构建了能提供等同于静息态大脑动态信号的体模（phantom）。利用该动态体模，我们通过比较真值时间序列与其测得的 fMRI 数据，逐体素量化噪声。我们推导出以下数据质量指标：标准化信噪比（ST-SNR）和动态保真度，可在扫描仪间直接比较。来自四台扫描仪的动态体模数据显示，扫描仪不稳定性乘性噪声贡献约占总噪声的 6–18%。我们进一步测得所有扫描仪 fMRI 响应中存在强非线性，涉及 8–19% 的总体检素。为在单被试层面校正 fMRI 时间序列动力学的扫描仪畸变，我们在配对的实测与真值数据集上训练了卷积神经网络（CNN）。动态体模时间序列测试显示，去噪后 ST-SNR 提升 4–7 倍，动态保真度提升约 40–70%。关键的是，我们观察到 CNN 时间去噪使 ST-SNR > 1。用真值训练的 CNN 对人类数据去噪显示出静息态网络检测灵敏度的显著提升。
引用
@article{arxiv.2004.06760,
title = {Ground-truth resting-state signal provides data-driven estimation and correction for scanner distortion of fMRI time-series dynamics},
author = {Rajat Kumar and Liang Tan and Alan Kriegstein and Andrew Lithen and Jonathan R. Polimeni and Helmut H. Strey and Lilianne R. Mujica-Parodi},
journal= {arXiv preprint arXiv:2004.06760},
year = {2020}
}
备注
42 pages, 5 figures, 3 tables, 10 supplementary figures, 3 supplementary tables