利用灵活且分层的多元测量误差模型合成纵向皮层厚度估计

Jesse W. Birchfield; Nicholas J. Tustison; Andrew J. Holbrook

利用灵活且分层的多元测量误差模型合成纵向皮层厚度估计

应用统计 2022-04-08 v1

作者: Jesse W. Birchfield , Nicholas J. Tustison , Andrew J. Holbrook

摘要

基于MRI的内嗅皮层厚度(eCT)测量能够以低成本和微创的方式预测阿尔茨海默病(AD)的认知能力下降。两种主要的成像范式FreeSurfer (FS)和高级标准化工具(ANTs)提供了多种从原始MRI中提取区域特异性eCT测量值的流程，但这些流程的复杂性使得在流程之间进行选择、比较流程之间的结果以及表征流程估计中的不确定性变得困难。更糟糕的是，内嗅皮层尤其难以成像，导致不同流程之间的厚度估计差异掩盖了预测AD的生理差异。我们检查了来自阿尔茨海默病神经影像学倡议的MRI上七种不同流程的eCT输出。由于理论和实践上的限制，我们没有评估它们的金标准。相反，我们使用贝叶斯分层模型来组合这些估计。得到的后验分布产生了高概率的理想化eCT值，这些值通过一个灵活的多元误差模型考虑了固有的不确定性，该模型支持不同的恒定偏移、标准差、尾部厚度以及流程之间的相关结构。我们的分层模型直接将理想化的eCT与临床结果相关联，这种方式将eCT估计的不确定性传播到临床估计中，同时考虑了数据中的纵向结构。令人惊讶的是，尽管组合模型在预测变量中包含了更大的不确定性以及先验提供的正则化，但它揭示了eCT与认知能力之间比仅基于单一流程数据的非分层模型更强的关联。

关键词

皮层厚度阿尔茨海默病贝叶斯分层模型测量误差 MRI 纵向数据数据整合

引用

@article{arxiv.2204.03576,
  title  = {Synthesizing longitudinal cortical thickness estimates with a flexible and hierarchical multivariate measurement-error model},
  author = {Jesse W. Birchfield and Nicholas J. Tustison and Andrew J. Holbrook},
  journal= {arXiv preprint arXiv:2204.03576},
  year   = {2022}
}

备注

23 pages, 11 figures

利用灵活且分层的多元测量误差模型合成纵向皮层厚度估计

摘要

关键词

引用

备注

相关论文