DeepFDR:一种基于深度学习的虚假发现率控制方法,用于神经成像数据

科学领域:

• 神经成像数据分析的数据分析.
• 神经成像中的统计推断.
• 机器学习在医学成像中的应用.

背景情况:

• 基于voxel的多重测试是神经成像的标准,但由于忽视了空间依赖,传统方法缺乏力量.
• 现有的空间错误发现率 (FDR) 方法与复杂的大脑空间依赖性作斗争.
• 深度学习在图像细分方面表现出色,这是一个相关的任务,为改进的神经图像分析提供了潜力.

研究的目的:

• 引入DeepFDR,一种新的空间FDR控制方法,用于基于voxel的神经图像分析.
• 为了利用基于深度学习的无监督图像细分来增强FDR控制.
• 提高神经成像研究中的统计能力和计算效率.

主要方法:

• 开发了DeepFDR,将用于图像分割的无监督深度学习集成到空间FDR控制中.
• 进行了全面的模拟,以评估DeepFDR的性能.
• 应用DeepFDR对阿尔茨海默氏病的FDG-PET图像分析.

主要成果:

• 与现有方法相比,DeepFDR在模拟和真实世界的神经成像数据中都表现出了优越的性能.
• 该方法实现了有效的FDR控制,并显著降低了虚假不发现率.
• DeepFDR表现出高计算效率,适合大规模的神经成像数据集.

结论:

• 在神经成像中,DeepFDR为基于voxel的多重测试提供了强大而高效的解决方案.
• 深度学习的整合改善了空间FDR控制,解决了传统和现有的空间方法的局限性.
• DeepFDR是推动神经成像研究的一个有前途的工具,特别是在阿尔茨海默氏症等疾病分析中.