使用ComBAT协调扩散MRI数据时的挑战和最佳实践
Pierre-Marc Jodoin1,2, Manon Edde3,4, Gabriel Girard3
1VitaLab, Dep of Computer Science, University of Sherbrooke, Sherbrooke, Qc, J1K 2R1, Canada. Pierre-Marc.Jodoin@usherbrooke.ca.
Scientific reports
|November 24, 2025
概括
康巴特是协调MRI数据的标准,但它的假设可能会导致错误. 这项研究回顾了ComBAT.
科学领域:
- 神经成像是一种神经成像.
- 生物统计学 生物统计学
- 医疗信息学 医疗信息学
背景情况:
- 康巴特被广泛用于协调MRI数据,纠正特定站点的偏差.
- 违反ComBAT假设可能会损害协调准确性和数据完整性.
- 了解这些假设对于可靠的神经成像分析至关重要.
研究的目的:
- 批判性地审查ComBAT的数学基础和假设.
- 调查人口因素对ComBAT协调绩效的影响.
- 为改善协调一致性和可重复性提供建议.
主要方法:
- 对ComBAT的基本原则进行数学审查.
- 实验评估使用模拟人口变异的对对复合BAT.
- 分析人口规模,年龄分布,共变量和偏差大小的影响.
主要成果:
- 康巴特的表现对其基本假设和人口特征敏感.
- 与假设的偏差可能导致低于最佳的协调结果.
- 特定的人口因素显著影响了ComBAT协调的可靠性.
结论:
- 遵守ComBAT的假设对于准确的MRI数据协调至关重要.
- 提供了建议,以提高神经成像研究的一致性和可重现性.
- 优化的ComBAT应用程序支持开放科学,协作研究和临床部署.


