模板独立成分分析：利用大数据群体先验实现有针对性且可靠的受试者水平脑网络估计
应用统计
2019-06-19 v1
摘要
大型脑成像数据库包含其所针对群体中脑组织方式以及个体变异的丰富信息。虽然此类数据库已被直接用于研究群体的组水平特征，但作为告知单受试者分析的资源，其目前未得到充分利用。本文提出通过在经验贝叶斯框架中建立群体先验，来利用大型功能磁共振成像（fMRI）数据库所含信息。我们聚焦于将脑网络估计为独立成分分析（ICA）中的源信号。我们构建了一个分层“模板”ICA 模型，其中源信号——包括已知的群体脑网络与受试者特定信号——被表示为潜变量。对于估计，我们推导了具有显式解的期望最大化（EM）算法。然而，由于该解计算上难以处理，我们也考虑了近似子空间算法与更快的两阶段方法。通过广泛的模拟研究，我们评估了两种方法的表现并与 dual regression（一种流行但启发式的方法）比较。两种所提算法表现相近，且均大幅优于 dual regression。我们还利用 Human Connectome Project 进行了可靠性研究，发现模板 ICA 的表现显著优于 dual regression，受试者内可靠性提高了 75–250%。
引用
@article{arxiv.1906.07294,
title = {Template Independent Component Analysis: Targeted and Reliable Estimation of Subject-level Brain Networks using Big Data Population Priors},
author = {Amanda F. Mejia and Mary Beth Nebel and Yikai Wang and Brian S. Caffo and Ying Guo},
journal= {arXiv preprint arXiv:1906.07294},
year = {2019}
}