ODF 的低秩加稀疏分解用于改进白质中组级差异与变量相关性的检测
医学物理
2019-05-13 v1 生物物理
神经元与认知
摘要
本文提出了一种通过逐体素取向分布函数 (ODF) 对扩散加权 MRI 数据集进行组统计分析的新方法。MRI 采集技术的最新进展使得在常规体内白质结构研究中能够使用高质量扩散加权协议（多壳层、大量梯度方向）。然而，这些数据集的维度通常会被降低以简化统计分析。虽然这些方法可以检测到较大的组间差异，但它们并未充分利用所有采集到的图像体积。然而，将所有可用的扩散信息纳入分析会有被离群值偏倚结果的风险。在此，我们提出一种作用于 ODF（扩散 ODF 或纤维 ODF）的统计分析方法。为避免离群值偏倚并可靠地检测逐体素组间差异及其与人口统计学或行为变量的相关性，我们对逐体素 ODF 应用低秩加稀疏 (L + S) 矩阵分解，将稀疏的个体变异性分离到稀疏矩阵 S 中，同时在低秩矩阵 L 中恢复基本的 ODF 特征。我们通过在人类连接体数据集中复现已确立的全局白质完整性与生理肥胖之间的负相关性，展示了这种 ODF L + S 方法的性能。阳性发现的体积与 TBSS、基于连接性的纤维束增强以及连接测量所发现的体积相一致并有所扩展。在同一数据集中，我们进一步定位了大脑结构与流体智力和情景记忆等神经认知指标之间的相关性。本文提出的 ODF L + S 方法将有助于充分利用所有采集的扩散加权，从而在临床相关环境及神经科学应用中检测到更小的组间差异。
引用
@article{arxiv.1803.05938,
title = {Low Rank plus Sparse Decomposition of ODFs for Improved Detection of Group-level Differences and Variable Correlations in White Matter},
author = {Steven H. Baete and Jingyun Chen and Ying-Chia Lin and Xiuyuan Wang and Ricardo Otazo and Fernando E. Boada},
journal= {arXiv preprint arXiv:1803.05938},
year = {2019}
}
备注
20 pages, 11 figures, 5 supplementary figures