相关实验视频
Updated: Jun 8, 2026
06:35
Basics of Multivariate Analysis in Neuroimaging Data
Published on: July 24, 2010
17.0K
通过多变量潜伏方法去除扫描器效应:ABCD成像数据的缓解?
Dominik Kraft1, Gloria Matte Bon1,2, Édith Breton3
1Department of Psychiatry and Psychotherapy, Tübingen Center for Mental Health, University of Tübingen, Tübingen, Germany.
Imaging neuroscience (Cambridge, Mass.)
|August 13, 2025
概括
雷利夫协调方法对神经成像数据,特别是大样本数据显示出前景. 然而,它的性能随着小的,不平衡的样本而变化,需要在像青少年大脑和认知发育 (ABCD) 研究这样的研究中进行仔细的质量控制.
科学领域:
- 神经成像分析分析神经成像分析
- 发育神经科学的发展神经科学.
- 数据协调技术的数据协调技术.
背景情况:
- 扫描部位协调对于多部位神经成像研究至关重要.
- 既有方法存在,但像RELIEF (通过因子化去除潜伏式扫描器间效应) 等新技术旨在提高性能.
- 青少年大脑和认知发育 (ABCD) 研究是发展大脑成像的宝贵资源.
研究的目的:
- 在ABCD研究数据上评估RELIEF协调方法的有用性.
- 为了比较RELIEF的表现与非协调,ComBat和CovBat方法的表现.
- 调查制造商类型,样本规模和年龄范围对协调有效性的影响.
主要方法:
- 基准测试RELIEF与非协调,ComBat和CovBat数据进行比较.
- 对不同站点样本大小和制造商类型的协调性能进行分析.
- 使用来自青少年大脑和认知发展 (ABCD) 研究的数据.
主要成果:
- 在协调具有足够大的样本的地点时,RELIEF的表现优于其他方法.
- 在包括具有非常小样本的地点时,观察到RELIEF的实质性性能变化.
- 调整的有效性受样本规模和数据不平衡的影响.
结论:
- RELIEF在神经成像数据协调方面表现出有效性,特别是在更大的样本大小.
- 当将RELIEF应用到具有不平衡样本大小的数据集时,如ABCD队列时,仔细的质量控制至关重要.
- 分享的脚本和见解可以指导研究人员应用ABCD数据协调的最佳实践.
