功能性MRI的全脑多变异性血液动力学解卷,具有稳定性选择

科学领域:

• 神经成像和计算神经科学
• 功能磁共振成像 (fMRI) 数据的分析.

背景情况:

• 传统的fMRI分析需要准确的实验范式信息,这在静止状态,自然主义或临床场景中通常是不可用的.
• 现有的无范式的方法,如血液动力学解卷,具有局限性,包括对规范化参数的敏感性,缺乏全脑分析,以及缺乏统计确定性措施.

研究的目的:

• 开发一种新的,多变量,无范式的血液动力学解卷算法,解决当前方法的局限性.
• 在实验时间信息缺少或不可靠的情况下,改进对大脑活动动态的分析.

主要方法:

• 引入多变量稀疏无范式映射 (Mv-SPFM),一种全脑算法,通过混合规范规范化结合空间信息.
• 实施稳定性选择程序以消除调整规范化参数的需要,并提供神经元事件的统计概率.
• 开发一种多回声fMRI配方 (MvME-SPFM),用于增强BOLD信号隔离和生理上可解释的单元 (ΔR₂),其表现与单回声数据具有可比性.

主要成果:

• 在空间和时间上与基于标准模型的分析相一致,Mv-SPFM的性能优于现有的最先进的解卷技术.
• 稳定性选择程序减少了对规范化参数 (λ 和 ρ) 的依赖,提高了算法性能.
• 该方法提供了可靠的估计神经元相关的活动,量化为ΔR₂,即使对于单个的神经元事件.

结论:

• Mv-SPFM提供了一种强大而可靠的方法来分析fMRI数据中的大脑活动动态,特别是在缺少范式信息的情况下.
• 该算法的提供统计确定性和改进的空间/时间分辨率的能力增强了对大脑功能的研究.
• 通过splora Python包,Mv-SPFM算法将公开提供.