联邦紧急事务管理局:用于大样本全脑成像数据的快速有效的混合效应算法
Pravesh Parekh1, Chun Chieh Fan2,3, Oleksandr Frei1,4
1NORMENT, Division of Mental Health and Addiction, Oslo University Hospital & Institute of Clinical Medicine, University of Oslo, Oslo, Norway.
Human brain mapping
|February 10, 2024
概括
一个新的算法,FEMA,使用线性混合效应模型 (LME) 快速进行全脑分析,用于大型神经成像数据集. 这种方法有效地研究青少年的大脑发育和连接性.
科学领域:
- 神经成像是一种神经成像.
- 计算神经科学是一种神经科学.
- 生物统计学 生物统计学
背景情况:
- 线性混合效应模型 (LME) 在复杂的神经成像研究中对分析依赖性观测至关重要.
- 由于LME的高计算要求,其在大规模全脑分析中的应用受到限制.
- 现有的方法难以应对现代神经成像数据集的复杂性.
研究的目的:
- 引入一个快速高效的混合效应算法 (FEMA) 进行全脑LME分析.
- 在大型神经成像数据集上启用顶点智能,voxel智能和连接体全方位的LME.
- 促进神经成像指标的先进调查,考虑复杂的研究设计.
主要方法:
- 开发了一种新的快速高效的混合效应算法 (FEMA).
- 使用广泛的模拟来验证FEMA,将其估计与标准的最大概率估计进行比较.
- 应用FEMA到从青少年大脑认知发展研究的纵向静止状态fMRI数据.
主要成果:
- 联邦紧急事务管理局 (FEMA) 提供了与标准方法相当的固定效应估计,但计算速度得到了显著改进.
- 对青少年大脑数据的分析揭示了皮层厚度和功能连接变化的明显空间模式.
- 确定了青春期早期大脑成熟的关键时期.
结论:
- 联邦紧急事务管理局使全脑LME分析成为大规模神经成像数据集的可行性.
- 该算法有效地处理复杂的设计,包括重复测量和家族结构.
- 联邦紧急事务管理局 (FEMA) 能够更深入地了解大脑发育以及神经成像指标和感兴趣的变量之间的关系.
