对平均转移,ComBat和CycleGAN进行评估,以协调跨站点的大脑连接矩阵

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.
• 数据科学数据科学数据科学

背景情况:

• 扩散MRI (dMRI) 能够通过连接矩阵进行大脑连接组分析.
• 在dMRI数据中,站点间和扫描仪间的变异性阻碍了跨数据集的分析和可重复性.
• 需要协调技术来缓解这些数据变异.

研究的目的:

• 评估三种协调方法 (平均转移,ComBat,CycleGAN) 在dMRI衍生连接矩阵及其相关图表尺度上的有效性.
• 评估协调对消除场地效应和保持生物相关性的影响,特别是与年龄的相关性.

主要方法:

• 从连接矩阵中比较图表的测量,在应用平均转移,ComBat和CycleGAN之前和之后.
• 使用变异系数 (CoV) 和曼-惠特尼U测试来量化局部效应减少.
• 评估了年龄和图表测量之间的相关性.

主要成果:

• 与平均转移和CycleGAN相比,ComBat在消除网站效应的全球效率和模块化方面表现出卓越的性能.
• 所有经过测试的协调方法都在协调平均中间中心度方面取得了有限的成功.
• 协调方法,除了一个例子中的CycleGAN外,显著改善了年龄和整体效率/模块化之间的相关性.

结论:

• 康巴是协调dMRI连接数据的一个有希望的方法,特别是在全球效率和模块化方面,提高它们在跨站点研究中的实用性.
• 对于解决中间中心性协调的方法,需要进一步发展.
• 协调可以改善与年龄相关的大脑网络特性变化的检测.