跨多个 fMRI 研究学习人脑的鲁棒分层模式
机器学习
2021-10-11 v2 定量方法
摘要
静息态 fMRI 已被证明可为各种疾病的分析提供替代生物标志物。此外,fMRI 数据有助于理解大脑在静息态和任务诱发活动期间的功能运作。为提高生物标志物的统计效能与大脑机制的理解,多中心研究的数据汇集日益流行。但汇集多站点数据会因硬件、软件和环境引入变异。本文研究多站点采集的 fMRI 数据中分层稀疏连接模式(hSCPs)的估计问题。我们提出一种简单而有效的基于矩阵分解的公式,以减少站点相关效应同时保留生物学相关变异。我们利用无监督机制下的对抗学习来提高组分的可重复性。在模拟数据集上的实验表明,所提方法能以更高的准确率和可重复性估计组分。我们还在编译自多个站点的真实数据集上展示了在保留年龄相关变异的同时组分可重复性的提升。
引用
@article{arxiv.2105.06535,
title = {Learning Robust Hierarchical Patterns of Human Brain across Many fMRI Studies},
author = {Dushyant Sahoo and Christos Davatzikos},
journal= {arXiv preprint arXiv:2105.06535},
year = {2021}
}