减少为多：在基于数据驱动的数据清除中平衡噪声减少与数据保留的fMRI
摘要：功能性磁共振成像（fMRI）数据中的伪迹引起了常见分布假设的偏离，引入了空间和时间上的离群值，并降低了数据的信噪比，所有这些都可能对下游的统计分析产生负面影响。刷除是一种排除被伪迹污染的fMRI卷的技术，通常有两种方式。基于受试者头动衍生的测量的动作刷除是受欢迎的，但存在许多缺点，特别是个体卷和整个受试者的禁止率很高。另一种选择是基于处理后的fMRI时间序列中观察到的噪声的数据驱动刷除方法，如DVARS，并且可以避免一些这些问题。在这里，我们提出了一种新颖的数据驱动刷除方法，称为“投影刷除”，它基于统计离群值检测框架和战略性的降维，包括独立分量分析（ICA），以分离出伪迹变异。我们对动作刷除、数据驱动投影刷除和DVARS进行了全面比较。我们认为，刷除成功的适当度量标准是在典型的功能连通性基准测试中保留最大的数据同时保持合理的性能。我们发现，严格的动作刷除导致验证恶化，可靠性恶化，并对指纹识别产生轻微改善。与此同时，数据驱动刷除方法往往在不影响验证或可靠性的情况下产生更大的指纹识别改善。然而，值得注意的是，与动作刷除相比，数据驱动刷除排除了较少的卷或整个会话的数量。数据驱动fMRI刷除改善数据保留能力而不对下游分析的质量产生负面影响，这对群体神经科学研究的样本量有重要影响。
作者：Damon Pham, Daniel McDonald, Lei Ding, Mary Beth Nebel, Amanda Mejia
论文ID：2108.00319
分类：Applications
分类简称：stat.AP
提交时间：2023-03-06