SCTICA: Sub-packet constrained temporal ICA method for fMRI data analysis
SCTICA: Sub-packet constrained temporal ICA method for fMRI data analysis
复制标题
SCTICA：用于 fMRI 数据分析的子包约束时间 ICA 方法
DOI：
10.1016/j.compbiomed.2018.09.012
复制
发表时间：
2018-11
影响因子：
7.7
通讯作者：
Zeng WM
中科院分区：
文献类型：
--
作者：
Shi YH;Zeng WM
独立分量分析（ICA）已成为一种广泛应用于功能磁共振成像（fMRI）数据分析的方法。然而，空间ICA在功能连通性检测的稳定性和准确性方面通常优于时间ICA，而时间ICA由于空间维度过大，在应用于全脑真实fMRI数据分析时往往不可行。为了克服这些问题，本文提出了一种基于牛顿迭代算法的多目标优化框架，利用先验信息的子包约束时间ICA （SCTICA）方法。此外，提出了一种分裂策略，提高了颞叶ICA用于全脑fMRI数据分析的可行性。真实数据的实验结果表明，该分割策略提高了颞叶ICA对全脑fMRI数据的分析能力。此外，实验结果还表明，与经典ICA和基于先验信息的ICA方法相比，所提出的SCTICA方法不仅可以提高时间ICA的稳定性，而且可以提高功能连通性检测能力。总之，本文提出的SCTICA方法克服了时间ICA无法应用于全脑fMRI数据的问题，与传统方法相比，功能连接检测性能有很大提高。
Independent component analysis (ICA) has become a widely used method for functional magnetic resonance imaging (fMRI) data analysis. However, spatial ICA usually performs better than temporal ICA with regard to the stability and accuracy of functional connectivity detection, and temporal ICA is often not feasible when it is applied to the analysis of real fMRI data of the whole brain because of the excessive spatial dimensions. In this paper, to overcome these problems, we propose a sub-packet constrained temporal ICA (SCTICA) method to take advantage of the a priori information using a multi-objective optimization framework with the Newton iterative algorithm. Moreover, a splitting strategy is presented to improve the feasibility of the temporal ICA for whole brain fMRI data analysis. The experimental results of real data show that the splitting strategy improved the ability of the temporal ICA to analyze whole brain fMRI data. Furthermore, the experimental results also demonstrated that the proposed SCTICA method can not only improve the stability of the temporal ICA, but can also improve the functional connectivity detection ability compared with the classical ICA and ICA with a priori information methods. In brief, the proposed SCTICA method overcomes the problem that prevents temporal ICA from being applied to fMRI data of the whole brain, and the functional connectivity detection performance is greatly improved compared with that of traditional methods.
登录
查看更多内容
独立分量分析新算法的借鉴及应用方法
影响因子：
3.7
作者：
Mi JX
通讯作者：
Mi JX
影响因子：
2.9
作者：
Boubela RN;Kalcher K;Huf W;Kronnerwetter C;Filzmoser P;Moser E
通讯作者：
Moser E
影响因子：
4.8
作者：
Lin, Qiu-Hua;Liu, Jingyu;Zheng, Yong-Rui;Liang, Hualou;Calhoun, Vince D.
通讯作者：
Calhoun, Vince D.
阿尔茨海默病中认知相关小脑亚区的功能连接发生改变。
影响因子：
4.8
作者：
Zheng W;Liu X;Song H;Li K;Wang Z
通讯作者：
Wang Z
fMRI 数据分析的时空约束 ICA
影响因子：
3.7
作者：
Wang Z;Xia M;Jin Z;Yao L;Long Z
通讯作者：
Long Z