利用收缩估计量提高受试者层面静息态 fMRI 脑区分割的可靠性

静息态功能磁共振成像 (rsfMRI) 近期的一个研究兴趣在于将人脑细分为解剖学和功能上不同的感兴趣区域。例如，脑区分割常用于连接性研究中定义网络节点。虽然传统上的推断是在组水平数据上进行的，但对单个受试者数据进行分割的兴趣日益增长。然而，由于 rsfMRI 数据的信噪比低，加之典型的扫描时间较短，这使得单受试者分割变得困难。大量的脑区分割方法采用聚类，其始于体素间的相似性或距离度量。本工作的目标是利用此类度量的收缩估计量来提高单受试者分割的可重复性，使得噪声较大的受试者特异性估计量能够以有原则的方式从更大的受试者群体中“借用强度”。我们提出了几种经验贝叶斯收缩估计量，并概述了当每个受试者无法获得多次扫描时的收缩方法。我们对原始体素间相关性估计值进行收缩，并利用原始估计值和收缩估计值通过对体素进行聚类来生成分割结果。我们提出的方法不依赖于聚类方法的选择，可作为任何聚类算法的预处理步骤。使用两个数据集——一个真实分割已知且具有受试者特异性的模拟数据集，以及一个由 20 名受试者的两次 7 分钟 rsfMRI 扫描组成的重测数据集——我们表明，基于收缩相关性估计值产生的分割比基于原始估计值产生的分割具有更高的可靠性和有效性。对重测数据的应用显示，使用收缩估计量可将运动皮层的受试者特异性分割的可重复性提高多达 30%。