连接大脑区域的纤维曲线的非参数贝叶斯模型
应用统计
2016-12-06 v1
摘要
在研究人脑的结构性互连时，通常首先依靠扩散 MRI 来估计连接大脑不同区域的纤维束。这些纤维束作为神经活动和通信的高速公路，蜿蜒穿过大脑并连接不同区域。当前用于分析这些纤维的统计方法将丰富的信息简化为邻接矩阵，其元素包含纤维数量或沿纤维的平均扩散特征（如分数各向异性）。本文的目标是避免丢弃关于纤维形状、大小和方向的丰富函数型数据，开发灵活的模型来表征不同个体内部和之间感兴趣大脑区域的纤维总体分布。我们首先将每个个体大脑中的每根纤维分解为来自全局参考曲线的相应旋转矩阵、形状和平移。这些分量可以被视为位于由不同欧几里得空间和流形组成的乘积空间上的数据。为了对个体内部和之间的分布进行非参数建模，我们依赖于特定于分量空间的乘积核的分层混合。采用贝叶斯推断方法，我们开发了一种高效的后验采样方法。该方法自动产生个体内部和之间的纤维簇，并产生了关于纤维曲线变化的有趣新见解，同时为将纤维与协变量及神经精神特征联系起来的更精细模型提供了有用的起点。
引用
@article{arxiv.1612.01014,
title = {Nonparametric Bayes Models of Fiber Curves Connecting Brain Regions},
author = {Zhengwu Zhang and Maxime Descoteaux and David B. Dunson},
journal= {arXiv preprint arXiv:1612.01014},
year = {2016}
}