SAN:从多个扫描仪或站点收集的皮质厚度数据中减轻空间共变异异质

科学领域:

• 神经成像是一种神经成像.
• 统计遗传学 统计遗传学
• 生物统计学 生物统计学

背景情况:

• 来自多个站点的神经成像数据的结合提高了可重现性,但引入了扫描器间偏差.
• 像ComBat这样的现有协调方法解决了平均差异,但可能无法充分处理共变异质.
• 协差异性异质性,特别是在顶点级皮质厚度数据中,可能源于扫描仪间的空间自相对应变化.

研究的目的:

• 为神经成像数据提出一个新的统计协调方法,空间自相关性规范化 (SAN),用于神经成像数据.
• 为了在不同扫描仪上保持顶点层次皮质厚度数据的同质共变性.
• 开发一种计算上可行的方法,与现有的协调技术进行整合.

主要方法:

• 开发了SAN,一种利用显式高斯过程的统计协调方法.
• SAN描述了扫描器不变和扫描器特定的变化,以重建空间均数据.
• 该方法应用于顶点层的皮质厚度数据,解决空间自相关异质性.

主要成果:

• SAN有效地保留了跨扫描仪的顶点级皮质厚度数据中的同质共变性.
• 拟议的方法在计算上是可行的,并且可以与现有的协调方法相结合.
• 使用社会过程倡议在精神分裂症神经生物学 (SPINS) 研究的数据证明了SAN的实用性.

结论:

• 空间自关联规范化 (SAN) 提供了一种有效的解决方案,可以使神经成像数据与异质共变性协调一致.
• SAN提高了数据质量,并在神经成像研究中促进了更可靠和可重复的科学发现.
• 该SAN R包是公开的,促进其在科学界的采用和进一步发展.