EMを用いた皮質表面および皮質下fMRIデータによる脳活性化の高速Bayes推定【JST・京大機械翻訳】

Spencer Daniel; Bolin David; Nebel Mary Beth; Mejia Amanda

プレプリント

J-GLOBAL ID：202202208698968618 整理番号：22P0296703

EMを用いた皮質表面および皮質下fMRIデータによる脳活性化の高速Bayes推定【JST・京大機械翻訳】

Fast Bayesian estimation of brain activation with cortical surface and subcortical fMRI data using EM

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年02月28日プレプリントサーバーでの情報更新日： 2022年02月28日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

脳イメージングスキャンの解析は,ヒト脳機能の理解に重要であり,ヒト集団の重要な部分に対する生活の質に影響する損傷と条件を治療するために活用できる。特に,機能的磁気共鳴イメージング(fMRI)スキャンは,高い空間および時間分解能で生活する主題に関する詳細なデータを与える。これらのスキャンの収集に関与する高コストのため,分析のロバストな方法は,意味のある推論を作り出すために極めて重要である。特に,Bayes法は,事前研究から解析への期待挙動の包含を可能にし,結果の電力を増加させ,平滑化結果の効果と多重比較試験補正に対する感度を含む古典的解析で生じる問題を回避する。皮質表面fMRI(cs-fMRI)データに対する表面ベース空間Bayes一般線形モデルの最近の開発は,確率的偏微分方程式(SPDE)事前確率を用いたタスクfMRIデータの望ましい電力増加を提供する。このモデルは,古典的解析より性能が検証された強力な解析を行うために,統合ネストLaplace近似(INLA)の計算効率に依存する。本論文では,最小計算資源を用いて,cs-fMRIおよび皮質下fMRIデータに関するタスクベース回帰の最大事後(MAP)推定を見つけるために,期待値最大化(EM)アルゴリズムを採用したGLMのための正確なBayes解析法を開発した。提案手法を,BayesGLMのINLA実装,およびシミュレーションデータ上の古典的GLMと比較した。ヒトコネクトームプロジェクトからのデータに関する方法の検証も提供した。【JST・京大機械翻訳】

, , , , , , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

医用画像処理 , 生体計測

, , , ,

前のページに戻る