Robust brain network identification from multi-subject asynchronous fMRI data.
Robust brain network identification from multi-subject asynchronous fMRI data.
复制标题
DOI：
10.1016/j.neuroimage.2020.117615
复制
发表时间：
2021-02-15
期刊：
影响因子：
5.7
通讯作者：
Leahy RM
中科院分区：
文献类型：
--
作者：
Li J;Wisnowski JL;Joshi AA;Leahy RM
我们描述了一种新颖的方法，可以使用张量分解从异步功能 MRI (fMRI) 中稳健地识别受试者的常见大脑网络及其相应的时间动态。我们首先使用正交 BrainSync 变换暂时对齐异步 fMRI 数据，使我们能够研究跨会话和受试者的常见大脑网络。然后，我们将同步的 fMRI 数据映射到 3D 张量（顶点 × 时间 × 主题/会话）。最后，我们在可扩展且鲁棒的顺序正则多元（CP）分解框架中应用 Nesterov 加速自适应矩估计（Nadam）来识别数据的低秩张量近似。通过 CP 张量分解，我们使用人类连接组项目的语言任务 fMRI 数据成功识别了 40 名受试者的 12 个已知大脑网络及其相应的时间动态，而无需任何有关特定任务设计的先验信息。其中七个网络显示了不同主体对具有不同时间动态的语言任务的反应；两个显示默认模式网络的子组件，这些子组件在任务期间表现出停用；其余三个组成部分反映了与任务无关的活动。我们将结果与使用组独立成分分析 (ICA) 和规范 ICA 发现的结果进行比较。 Bootstrap 分析表明，相对于基于 ICA 的方法，使用 CP 张量方法发现的网络的稳健性有所提高。
We describe a novel method for robust identification of common brain networks and their corresponding temporal dynamics across subjects from asynchronous functional MRI (fMRI) using tensor decomposition. We first temporally align asynchronous fMRI data using the orthogonal BrainSync transform, allowing us to study common brain networks across sessions and subjects. We then map the synchronized fMRI data into a 3D tensor (vertices × time × subject/session). Finally, we apply Nesterov-accelerated adaptive moment estimation (Nadam) within a scalable and robust sequential Canonical Polyadic (CP) decomposition framework to identify a low rank tensor approximation to the data. As a result of CP tensor decomposition, we successfully identified twelve known brain networks with their corresponding temporal dynamics from 40 subjects using the Human Connectome Project’s language task fMRI data without any prior information regarding the specific task designs. Seven of these networks show distinct subjects’ responses to the language task with differing temporal dynamics; two show sub-components of the default mode network that exhibit deactivation during the tasks; the remaining three components reflect non-task-related activities. We compare results to those found using group independent component analysis (ICA) and canonical ICA. Bootstrap analysis demonstrates increased robustness of networks found using the CP tensor approach relative to ICA-based methods.
登录
查看更多内容
DOI：
10.1073/pnas.0504136102
发表时间：
2005-07-05
影响因子：
11.1
作者：
Fox, MD;Snyder, AZ;Raichle, ME
通讯作者：
Raichle, ME
影响因子：
5.7
作者：
Binder JR;Gross WL;Allendorfer JB;Bonilha L;Chapin J;Edwards JC;Grabowski TJ;Langfitt JT;Loring DW;Lowe MJ;Koenig K;Morgan PS;Ojemann JG;Rorden C;Szaflarski JP;Tivarus ME;Weaver KE
通讯作者：
Weaver KE
影响因子：
19.9
作者：
Fedorenko, Evelina;Thompson-Schill, Sharon L.
通讯作者：
Thompson-Schill, Sharon L.
影响因子：
5.7
作者：
Beckmann, CF;Smith, SM
通讯作者：
Smith, SM
影响因子：
5.7
作者：
Calhoun, VD;Adali, T;Pearlson, GD
通讯作者：
Pearlson, GD