对神经图像的拓特征进行基于重新采样的推断的评估

科学领域:

• 神经成像是一种神经成像.
• 统计推理 统计推理
• 神经科学是一个神经科学.

背景情况:

• 传统的高斯随机场 (GRF) 方法用于神经成像推断,显示出高的1型错误率.
• 再抽样方法 (变换,引导) 显示出更好的性能,但在违反可交换性的情况下,它们与强大的统计图像和拓特征 (TF) 的使用未被评估.

研究的目的:

• 评估用于神经成像推断的重新采样程序,使用强大的统计图像和不同的拓特征.
• 当数据交换性受到侵犯时评估方法,这是现实世界神经成像数据中常见的问题.
• 与现有方法进行性能比较,包括基于高斯随机场的pTFCE.

主要方法:

• 进行了现实的模拟,以评估重新采样方法的性能.
• 一个现实世界的数据集 (纳森·克莱恩研究所罗克兰样本) 用于研究与年龄相关的灰质体积变化中的性别差异.
• 野生启动和排列程序在异种性质的条件下进行了评估,并违反了可交换性.

主要成果:

• 对于50以上的样本大小,野生启动和排列程序的性能很好,特别是在异种性质的样本中.
• Rademacher wild bootstrap具有较少的假设,其性能与100+样本的排列测试相当,并且在更广泛的条件下有效.
• 拓特征增强 (pTFCE) 的高斯随机场基变换测试显示,在小于200的样本中,错误率膨胀.

结论:

• 野生引导和排列测试是神经成像小组分析的强大替代方案,特别是当可交换性受到侵犯时.
• 由于假设较少,Rademacher野生启动带提供了一个更广泛适用的方法.
• 一个R包,pbj,可用于这些先进的神经成像分析技术的可重复实现.