多模态脑图像的张量分析与融合

当前的高通量数据采集技术以不同成像模态探测动力系统，生成不同空间和时间分辨率的海量数据集，给多模态数据融合带来了挑战性问题。一个典型的例子是通过分析不同神经成像模态（功能磁共振成像、脑电图、近红外光谱等）来解析支撑人类认知过程的脑结构与网络。我们强调，神经成像数据的多模态、多尺度特性很好地由多向（张量）结构反映，其中底层过程可由相对较少的组分或“原子”来概括。我们引入了Markov-Penrose图——一种贝叶斯有向无环图(DAG)与张量网络符号的集成，用以分析这些模型。这些图不仅阐明了矩阵与张量脑电图和功能性磁共振成像的时频分析与逆问题，还有助于通过多向偏最小二乘和耦合矩阵-张量分解理解多模态融合。我们在此首次表明，脑网络的Granger因果分析是一个张量回归问题，从而允许对脑网络进行原子分解。对脑电图和功能性磁共振成像记录的分析显示了这些方法的潜力，并建议它们可用于其他科学领域。