在没有匹配的培训对象的情况下,扩散MRI数据的跨站点协调.
Alberto De Luca1, Tine Swartenbroekx2, Harro Seelaar2
1Image Sciences Institute, Center for Image Sciences, University Medical Center Utrecht, Utrecht, the Netherlands.
Magnetic resonance in medicine
|May 23, 2025
概括
本研究介绍了RISH-GLM,这是一个新的框架,可以在不同地点协调扩散MRI (dMRI) 数据,而不需要匹配的培训组. 这种方法有效地减少了跨站点的变化,使得dMRI数据从多个来源的聚合分析.
科学领域:
- 神经成像是一种神经成像.
- 医学物理 医学物理
背景情况:
- 扩散MRI (dMRI) 数据显示出明显的跨站点变异性,阻碍了聚合分析.
- 现有的协调方法,如旋转不变球体波器 (RISH),通常需要匹配的健康对照组,这些对照组并不总是可追溯.
研究的目的:
- 开发和验证一个新的框架来协调dMRI数据,不需要匹配的培训组.
- 为了使集成的dMRI分析能够有效地减少跨站点的变异性.
主要方法:
- 一个基于voxel的通用线性模型 (GLM) 框架,称为RISH-GLM,被开发来学习协调特性.
- 该方法控制潜在的协同变量,并在单个步骤中同时协调来自多个站点的数据.
- 与传统的RISH不同,RISH-GLM不需要匹配的培训科目.
主要成果:
- 当与匹配的受试者进行训练时,RISH-GLM证明了与传统RISH的等价性.
- 该框架成功地学习了与高度不匹配的学科组的协调.
- 有效地实现了来自三个不同站点的数据的同时协调.
结论:
- RISH-GLM提供了一种灵活的dMRI数据协调方法,可以容纳匹配和不匹配的培训组.
- 该方法使多个站点数据的高效,单步协调成为可能,促进了更广泛的dMRI研究.


