Distributional independent component analysis for diverse neuroimaging modalities.
Distributional independent component analysis for diverse neuroimaging modalities.
复制标题
分布独立的成分分析，用于不同的神经影像学方式。
DOI：
10.1111/biom.13594
复制
发表时间：
2022-09
期刊：
影响因子：
1.9
通讯作者：
Guo, Ying
中科院分区：
文献类型：
--
作者：
Wu, Ben;Pal, Subhadip;Kang, Jian;Guo, Ying
神经影像学技术的最新进展为从功能和结构两个角度研究人脑组织提供了获取不同模态脑图像的机会。对各种模态图像的分析涉及一些共同的目标，如降维、去噪和特征提取。然而，由于这些模态具有非常不同的数据特性，因此通常使用仅适用于特定成像模态的不同分析工具来执行当前分析。在本文中，我们提出了一种分布独立成分分析（DICA），它代表了一种新的方法，在分布水平上进行分解，提供了一个统一的框架，用于提取具有不同尺度和表示的成像模式的特征。当将DICA应用于fMRI图像时，我们成功地恢复了神经科学文献中建立良好的脑功能网络，提供了DICA提供神经学相关发现的经验验证。更重要的是，我们发现几个结构网络组件时，应用DICA的DTI图像。通过纤维追踪，我们发现这些DICA衍生的结构成分对应于几个主要的白色纤维束。据我们所知，这是第一次成功地识别这些纤维束通过盲源分离的单一主题DTI图像。我们还评估了DICA的性能与现有的伊卡方法相比，通过广泛的仿真研究。
Recent advances in neuroimaging technologies have provided opportunities to acquire brain images of different modalities for studying human brain organization from both functional and structural perspectives. Analysis of images derived from various modalities involves some common goals such as dimension reduction, denoising, and feature extraction. However, since these modalities have vastly different data characteristics, the current analysis is usually performed using distinct analytical tools that are only suitable for a specific imaging modality. In this paper, we present a Distributional Independent Component Analysis (DICA) that represents a new approach that performs decomposition on the distribution level, providing a unified framework for extracting features across imaging modalities with different scales and representations. When applying DICA to fMRI images, we successfully recover well‐established brain functional networks in neuroscience literature, providing empirical validation that DICA delivers neurologically relevant findings. More importantly, we discover several structural network components when applying DICA to DTI images. Through fiber tracking, we find these DICA‐derived structural components correspond to several major white fiber bundles. To the best of our knowledge, this is the first time these fiber bundles are successfully identified via blind source separation on single subject DTI images. We also evaluate the performance of DICA as compared with existing ICA methods through extensive simulation studies.
登录
查看更多内容
影响因子：
5.7
作者：
Abdelnour F;Dayan M;Devinsky O;Thesen T;Raj A
通讯作者：
Raj A
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：
5.7
作者：
Beckmann, CF;Smith, SM
通讯作者：
Smith, SM
影响因子：
2.2
作者：
Koay, Cheng Guan;Chang, Lin-Ching;Basser, Peter J.
通讯作者：
Basser, Peter J.
影响因子：
5.7
作者：
Calhoun VD;Liu J;Adali T
通讯作者：
Adali T