少即是多：以数据驱动清洗在 fMRI 中平衡降噪与数据保留

功能磁共振成像 (fMRI) 数据中的伪影会导致对常见分布假设的偏离，引入空间和时间离群值，并降低数据的信噪比——这些都可能对下游统计分析产生负面影响。清洗 (scrubbing) 是一种排除被认为受伪影污染 fMRI 体积的技术，通常有两种类型。基于被试头部运动衍生度量的运动清洗很流行，但存在若干缺陷，尤其是单个体积和整个被试的高剔除率。 alternatively，像 DVARS 这样的数据驱动清洗方法基于处理后的 fMRI 时间序列中观测到的噪声，可能避免其中一些问题。在此我们提出“投影清洗 (projection scrubbing)”，一种基于统计离群值检测框架和策略性降维（包括独立成分分析 (ICA)）以隔离伪影变异的新型数据驱动清洗方法。我们对运动清洗与数据驱动的投影清洗及 DVARS 进行了全面比较。我们认为，清洗成功的适当度量是：在典型功能连接基准上性能合理的前提下实现最大数据保留。我们发现，严格的运动清洗导致效度变差、信度变差，并对指纹识别仅有微小改进。与此同时，数据驱动清洗方法往往对指纹识别带来更大改进，且通常不会使效度或信度恶化。然而重要的是，与运动清洗相比，数据驱动清洗剔除的体积或整个 session 的比例更小。数据驱动 fMRI 清洗在不负面影响下游分析质量的情况下改善数据保留的能力，对群体神经科学研究的样本量具有重大意义。