在独立组件分析中使用固定的数学相变去除大脑网络,仅对大小 fMRI 数据进行独立组件分析

科学领域:

• 神经成像是一种神经成像.
• 信号处理 信号处理
• 计算神经科学是一种神经科学.

背景情况:

• 独立组件分析 (ICA) 被广泛用于从功能磁共振成像 (fMRI) 数据中提取大脑网络.
• 否定ICA衍生的大脑网络通常涉及基于振幅的值,这可能是次优的.
• 空间源相 (SSP) 拒绝,有效用于复杂值的fMRI,尚未广泛应用于仅大小数据.

研究的目的:

• 将有效的SSP无效化技术扩展到只有大小的fMRI数据.
• 开发一种方法,以避免在ICA报音中需要幅度值.
• 为fMRI大脑网络提供统一和高效的denoising方法.

主要方法:

• 使用复杂值的fMRI数据与已知的SSP地图开发了一个映射框架,用于生成大小地图的数学SSP地图.
• 该框架使用复杂值fMRI的大小数据进行了验证.
• 一般化框架应用于仅大小的fMRI数据,包括来自人类结合体项目的模拟和实验数据集.

主要成果:

• 数学SSP无效化方法有效地从只有大小的fMRI数据中无效化空间地图.
• 与基于振幅的值相比,拟议的方法保留了更多的血氧水平依赖 (BOLD) 信号相关活性.
• 使用SSP无声化保留了较少的不需要的voxels,这表明空间特异性得到了改善.

结论:

• 以固定相变的数学SSP无效化是一种有效和高效的方法,可以从仅大小的fMRI数据中对ICA脑网络进行无效化.
• 这种方法为基于振幅的值提供了有价值的替代方案,特别是当没有复杂值的fMRI数据时.
• 一般化的SSP方法为拒绝fMRI数据提供了统一的框架,提高了提取的大脑网络的质量.