Snowball ICA: A Model Order Free Independent Component Analysis Strategy for Functional Magnetic Resonance Imaging Data.
Snowball ICA: A Model Order Free Independent Component Analysis Strategy for Functional Magnetic Resonance Imaging Data.
复制标题
DOI：
10.3389/fnins.2020.569657
复制
发表时间：
2020
影响因子：
4.3
通讯作者：
Nickerson LD
中科院分区：
文献类型：
--
作者：
Hu G;Waters AB;Aslan S;Frederick B;Cong F;Nickerson LD
在独立成分分析（ICA）中，模型阶数（即要提取的成分数量）的选择对功能磁共振成像（fMRI）脑网络分析具有至关重要的影响。模型阶数选择 (MOS) 算法已用于确定估计组件的数量。然而，仿真表明，即使模型阶数等于仿真信号源的数量，传统的 ICA 算法也可能会错误估计信号源的空间图。原则上，增加模型阶数将在估计中考虑更多潜在信息，因此应该产生更准确的结果。然而，这种策略可能不适用于功能磁共振成像，因为大规模网络在空间上广泛分布，因此增加了带有噪声的互信息。因此，具有高模型阶数的传统 ICA 算法可能根本无法提取这些分量。这种冲突使得模型阶数的选择成为一个问题。我们提出了一种新的模型订单自由 ICA 策略，称为 Snowball ICA，可以避免这些问题。该算法从 fMRI 数据中收集每个网络的所有信息，不受网络规模的限制。使用模拟和体内静息态 fMRI 数据，我们的结果表明，使用 Snowball ICA 进行成分估计比传统 ICA 更准确。 Snowball ICA 软件可从 https://github.com/GHu-DUT/Snowball-ICA 获取。
In independent component analysis (ICA), the selection of model order (i.e., number of components to be extracted) has crucial effects on functional magnetic resonance imaging (fMRI) brain network analysis. Model order selection (MOS) algorithms have been used to determine the number of estimated components. However, simulations show that even when the model order equals the number of simulated signal sources, traditional ICA algorithms may misestimate the spatial maps of the signal sources. In principle, increasing model order will consider more potential information in the estimation, and should therefore produce more accurate results. However, this strategy may not work for fMRI because large-scale networks are widely spatially distributed and thus have increased mutual information with noise. As such, conventional ICA algorithms with high model orders may not extract these components at all. This conflict makes the selection of model order a problem. We present a new strategy for model order free ICA, called Snowball ICA, that obviates these issues. The algorithm collects all information for each network from fMRI data without the limitations of network scale. Using simulations and in vivo resting-state fMRI data, our results show that component estimation using Snowball ICA is more accurate than traditional ICA. The Snowball ICA software is available at https://github.com/GHu-DUT/Snowball-ICA.
登录
查看更多内容
影响因子：
5.7
作者：
Calhoun VD;Silva RF;Adalı T;Rachakonda S
通讯作者：
Rachakonda S
DOI：
10.1098/rstb.2005.1634
发表时间：
2005-05-29
影响因子：
6.3
作者：
Beckmann, CF;DeLuca, M;Smith, SM
通讯作者：
Smith, SM
影响因子：
4.8
作者：
Abou-Elseoud, Ahmed;Starck, Tuomo;Kiviniemi, Vesa
通讯作者：
Kiviniemi, Vesa
用于 fMRI 数据分析的群体信息引导 ICA
影响因子：
5.7
作者：
Du, Yuhui;Fan, Yong
通讯作者：
Fan, Yong
基于ICA的人工制品去除和加速fMRI获取，以改善静止状态网络成像。
影响因子：
5.7
作者：
Griffanti L;Salimi-Khorshidi G;Beckmann CF;Auerbach EJ;Douaud G;Sexton CE;Zsoldos E;Ebmeier KP;Filippini N;Mackay CE;Moeller S;Xu J;Yacoub E;Baselli G;Ugurbil K;Miller KL;Smith SM
通讯作者：
Smith SM