改进来自静止状态fMRI的延迟和强度图,使用PCA-based denoising和来自HCP数据集的组数据

科学领域:

• 神经成像是一种神经成像.
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 休息状态功能性MRI (rs-fMRI) 依赖于低频信号相关性来绘制神经元连接.
• 在rs-fMRI数据中的非神经元信号是混的,但包含有价值的诊断信息.
• 之前的工作开发了RIPTiDe方法,从BOLD数据中提取血液到达时间延迟和信号强度,以获得临床见解.

研究的目的:

• 开发和验证基于 rs-fMRI 推导的延迟和强度图的主要组件分析 (PCA) 无效化方法.
• 提高这些地图的信号噪声比 (SNR),而无需事先了解噪声水平.
• 为了提高rs-fMRI衍生的血管和 perfusion metrics 的可靠性和诊断效用.

主要方法:

• 应用PCA来否定来自人类结合体项目 (HCP) rs-fMRI数据的延迟和强度图.
• 使用光谱分析来识别噪声组分.
• 实施了一种优化的方法来选择PCA组件,基于类内相关系数 (ICC),以最大限度地提高SNR.
• 评估信号可靠性使用voxelwise ICC计算在无声化之前和之后.

主要成果:

• 优化的PCA无声化方法显著提高了信号可靠性.
• 延迟和强度图的ICC平均值分别增加了250%和108%.
• 该方法有效地将神经元信号与非神经元噪声分离,而无需事先对噪声进行估计.

结论:

• 基于PCA的denoising是提高rs-fMRI衍生的延迟和强度图的质量的有效策略.
• 这种优化的方法提高了SNR和输液和血液流量指标的可靠性.
• 增强的地图有可能改善临床诊断和监测神经疾病,如中风.