通过系统地使用众包 NeuroVault 数据来推进基于图像的元分析

科学领域:

• 神经成像是一种神经成像.
• 认知神经科学 认知神经科学
• 数据科学数据科学数据科学

背景情况:

• 基于图像的元分析 (IBMA) 合成了fMRI研究结果,但面临着数据可访问性和工具限制.
• 神经库为IBMA提供了丰富的神经成像统计地图来源.
• 需要对NeuroVault的数据质量和IBMA方法的系统评估.

研究的目的:

• 开发和验证一个全面的框架,从IBMA的NeuroVault存储库中选择和分析神经成像数据.
• 评估不同图像选择策略 (手动与启发式) 和元分析估计器的有效性.
• 通过公开可用的神经成像资源,为IBMA提供可访问和可重复的方法.

主要方法:

• 开发了一个多阶段的选择框架:初步,启发式和手动的图像选择.
• 使用NeuroVault数据对工作记忆,运动和情绪处理领域进行IBMA.
• 评估了五种元分析估计方法,重点关注对虚假图像的稳定性.

主要成果:

• 使用手工选择的IBMA结果与人类连接体项目参考地图非常相匹配.
• 启发式选择方法被证明是强大的,特别是在异质领域,如情绪处理.
• 强大的估计器 (例如中位数) 对于具有异质任务的元分析至关重要.

结论:

• 开发的框架允许使用NeuroVault数据进行系统和可重复的IBMA.
• 启发式选择和强大的估计器提高了IBMA的可行性和可靠性,特别是在不同的数据集.
• 这种方法促进了共享神经成像资源的使用,鼓励数据共享和未来的元分析.