A Hybrid Spatial Statistical Learning Framework for Individualized Probability Estimation: Application to Multisite Autism Neuroimaging
St. Edward’s University（圣爱德华大学）；Rice University（莱斯大学）
提出混合空间统计学习框架，融合边级连接、网络组织和参与者特征，在多中心自闭症神经影像中提升个体化概率估计的可靠性与可迁移性。
2026-09-24 stat.AP stat.ME
Meta-Analysis of Generalized Additive Models in Neuroimaging Studies
分析多项神经影像学研究的数据在增加统计功效方面具有巨大潜力，能够检测到比单独分析每项研究时可能检测到的更小幅度的效应，并且还能够系统地研究研究间差异。由于隐私或专有数据的限制以及更多的实际问题可能使共享神经成像数据集变得困难，因此在一个公共位置分析所有数据可能是不切实际或不可能的。元分析方法提供了一种克服这一问题的方法，通过结合模型参数或风险比等聚合量。大多数元分析工具集中于参数统计模型，而用于元分析半参数模型（如广义可加模型）的方法尚未得到很好的发展。参数模型通常不适用于神经成像，例如年龄-大脑关系可能采用难以使用此类模型准确描述的形式。在本文中，我们介绍元GAM，荟萃分析的广义可加模型，不需要个人参与者的数据，因此是适合于增加统计功效，同时维护隐私和其他监管问题的方法。我们扩展了以前的工作，使多个模型项的分析，以及多元平滑函数。此外，我们展示了如何元分析$p$ -值可以计算光滑项。所提出的方法在模拟实验中表现良好，并证明了在一个真实的数据分析海马体积和自我报告的睡眠质量数据从Lifebrain财团。我们认为，元GAM的应用是特别有益的寿命神经科学和成像遗传学。这些方法在附带的R包\verb！metagam！，这一点也得到了证实。
2020-09-23 stat.AP
Hypothesis Testing For Network Data in Functional Neuroimaging
近年来，在神经科学中，使用网络来总结一组测量中的关系信息已经成为一种常见的做法，这些测量通常被认为反映了大脑中感兴趣区域之间的功能或结构关系。在分析这些数据时，最基本的任务之一是检验假设，以回答诸如“这两组受试者的网络之间是否有差异？“在经典的设置中，感兴趣的单位是标量或矢量，这些问题是通过使用熟悉的双样本测试策略来回答的。然而，网络不是欧几里德对象，因此经典方法不能直接应用。我们通过利用几何学的概念和技术以及高维统计推断来应对这一挑战。我们的工作是基于一个精确的几何特征的空间图拉普拉斯矩阵和一个非参数的平均由于Fréchet的概念。我们激励和说明我们的测试方法的背景下，从功能性神经影像学数据的人类受试者从1000个功能性连接体项目。特别是，我们表明，这种全球性的测试是更强大的统计，比质量单变量的方法。此外，我们还提供了一种方法，用于可视化每个边缘对整体检验统计量的单独贡献。
2017-03-17 q-bio.NC stat.AP stat.ME
Generative discriminative models for multivariate inference and statistical mapping in medical imaging
本文提出了一个通用的框架，获得可解释的多元判别模型，允许有效的统计推断神经图像分析。该框架，称为生成判别机（GDM），增加了判别模型与生成正则化项。我们证明，所提出的配方可以优化在封闭的形式和在对偶空间，允许高效的计算高维神经影像数据集。此外，我们提供了一个分析估计的零分布的模型参数，这使得有效的统计推断和p值计算，而不需要排列检验。我们在两个大型结构磁共振成像（sMRI）数据集阿尔茨海默氏病（AD）（n=415）和精神分裂症（n=853）的纯生成和判别学习方法的方法进行了比较。使用AD数据集，我们证明了GDM鲁棒地处理混杂变化的能力。使用Schizophila数据集，我们证明了GDM处理多站点研究的能力。两者合计，结果强调了神经影像学分析的建议的方法的潜力。
2018-07-02 stat.AP
Neuroimaging Meta Regression for Coordinate Based Meta Analysis Data with a Spatial Model
提出生成式基于坐标的元回归（CBMR）框架，采用样条参数化建模大脑激活空间结构并评估研究级协变量的影响，在20个数据集上验证了其有效性与优越性。
2023-05-15 stat.AP stat.ME
Hierarchical Bayesian Regression for Multi-Site Normative Modeling of Neuroimaging Data
Radboud University（拉德堡德大学）；Radboud University Medical Centre（拉德堡德大学医学中心）；University of Oslo（奥斯陆大学）；Oslo University Hospital（奥斯陆大学医院）；King’s College London（伦敦国王学院）
临床神经影像学最近见证了数据可用性的爆炸性增长，这使得研究临床队列中的异质性成为人们关注的焦点。规范建模是实现这一目标的一个新兴统计工具。然而，其应用在技术上仍然具有挑战性，这是由于在适当地处理干扰变化方面的困难，例如由于图像采集设备的可变性。在这里，在一个完全概率的框架，我们提出了一个应用程序的层次贝叶斯回归（HBR）多站点规范建模。我们的实验结果证实了HBR的优越性，在获得更准确的规范范围的大型多站点神经影像学数据相比，广泛使用的方法。这提供了以下可能性：i）在大型多站点数据上学习结构和功能大脑测量的规范范围; ii）在本地小数据上重新校准和重用学习的模型;因此，HBR关闭了将规范建模应用为精神障碍诊断和预后的医学工具的技术循环。
2020-05-25 cs.LG stat.AP stat.ML
Two-stage empirical likelihood for longitudinal neuroimaging data
纵向影像学研究对于理解神经精神疾病、物质使用障碍和正常大脑的神经发育至关重要。本文的主要目的是开发一个两阶段调整指数倾斜经验似然（TETEL）的纵向研究神经影像数据的空间分析。TETEL方法作为一种频率论方法，使我们能够有效地分析纵向数据，而无需建模时间相关性，并对不同的时间依赖的协变量类型进行分类。为了考虑空间依赖性，这里开发的TETEL方法专门将3维（3D）体积（或2D表面）上的每个体素（或像素）的最近邻域中的所有数据与适当的权重相结合，以计算自适应参数估计和自适应检验统计量。仿真研究被用来检查有限样本性能的调整指数倾斜似然比统计量和TETEL。我们证明了我们的统计方法的应用，以检测精神分裂症患者和健康受试者之间的纵向精神分裂症研究的海马形态变化的差异。
2011-08-11 stat.AP
Deep Learning in current Neuroimaging: a multivariate approach with power and type I error control but arguable generalization ability
University of Granada（格拉纳达大学）；University of Cambridge（剑桥大学）；Ludwig-Maximilians-Universität München（慕尼黑大学）；German Center for Neurodegenerative Diseases (DZNE)（德国神经退行性疾病中心）
本文针对神经影像深度学习分类的统计显著性问题，提出基于标签置换检验的非参数框架，结合自编码器与支持向量机，并采用RUB方法以较低计算成本改善交叉验证下的泛化能力不足问题。
2021-03-30 cs.LG eess.IV stat.AP
Machine Learning pipeline for discovering neuroimaging-based biomarkers in neurology and psychiatry
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究所）；Deloitte Analytics Institute（德勤分析研究所）；Moscow Research and Clinical Center for Neuropsychiatry（莫斯科神经精神病学研究和临床中心）
我们考虑一个问题的诊断模式识别/分类从神经影像数据。我们提出了一个基于神经成像的诊断分类问题的通用数据分析管道，使用各种ML算法和脑成像处理工具箱。我们通过基于患者和健康志愿者的临床和MRI/fMRI数据发现用于诊断癫痫和抑郁症的新生物标志物来说明管道应用。
2018-04-26 cs.CV stat.AP
Scalable Multi-Task Gaussian Process Tensor Regression for Normative Modeling of Structured Variation in Neuroimaging Data
RadboudUMC（拉德堡德大学医学中心）；Donders Institute（唐德斯研究所）；University of Oxford（牛津大学）；King’s College London（伦敦国王学院）
大多数大脑疾病在其基础生物学方面是非常异质的，开发分析方法来模拟这种异质性是一个重大挑战。一种有希望的方法是使用概率回归方法来估计使用（f）MRI数据的脑功能的规范模型，然后使用这些来映射临床人群中个体之间的变化（例如，经由异常检测）。为了充分捕捉个体差异，对不同大脑区域和个体之间的相关模式进行统计建模至关重要。然而，这对于神经成像数据来说是非常具有挑战性的，因为多个轴之间的高维和高度结构化的相关模式。在这里，我们提出了一个通用的和灵活的多任务学习框架来解决这个问题。我们的模型在贝叶斯混合效应模型中使用张量变量高斯过程，并利用Kronecker代数和低秩近似来有效地扩展到全脑水平的多路神经成像数据。在一个公开的临床fMRI数据集上，我们证明了我们的计算负担得起的方法大大提高了检测灵敏度，超过了一个质量单变量规范模型和一个分类器，与我们的方法不同，它可以完全访问临床标签。
2018-11-30 cs.LG stat.AP stat.ML
Scalable Bayesian Image-on-Scalar Regression for Population-Scale Neuroimaging Data Analysis
University of Michigan（密歇根大学）；University of Chicago（芝加哥大学）；University of Oxford（牛津大学）
本文提出了一种可扩展的贝叶斯ISR模型，用于处理大规模神经影像数据，提升了计算效率和统计效力，发现杏仁核情绪相关激活随年龄下降。
2026-02-05 stat.AP stat.CO
Meta-analysis of functional neuroimaging data using Bayesian nonparametric binary regression
在这项工作中，我们进行了荟萃分析的神经影像学数据，包括在162个独立的情绪研究中确定的峰值激活的位置。神经影像学荟萃分析通常使用基于核的方法进行。然而，这些方法需要先验地设置内核的宽度，并且在整个大脑中保持恒定。为了解决这些问题，我们提出了一个完全贝叶斯非参数二元回归方法进行神经影像荟萃分析。在我们的方法中，每个位置（或体素）有一个峰值激活的概率，相应的概率函数是基于空间自适应高斯马尔可夫随机场（GMRF）。我们还包括在模型中的参数，以鲁棒的程序对体素响应的错误编码。使用从Holmes和Held [Bayesian Anal. 1（2006）145- 168]。我们的方法允许的概率函数是局部自适应的协变量，也就是说，在协变量空间的一个区域是光滑的，在另一个波动，甚至不连续。还可以获得每个识别的体素的后验错误编码概率，识别可能已经被错误地分类为被激活的体素。仿真研究和应用的情绪神经影像数据表明，我们的方法是优于标准的基于核的方法。
2012-06-28 stat.AP
Bayesian Regularization for Functional Graphical Models with Applications to Neuroimaging
图模型用于表达在不同节点上观察到的随机变量之间的条件依赖关系，广泛应用于遗传学、神经科学和社会网络分析等许多领域。虽然目前大多数用于估计图形模型的统计方法都集中在标量数据上，但当在每个节点处观察到的数据是功能性的（例如信号或图像）时，人们对估计类似的依赖结构感兴趣。在本文中，我们提出了一个完全贝叶斯正则化计划估计功能图模型。我们首先考虑乔等人提出的函数图形套索的直接贝叶斯模拟。（2019）。然后，我们提出了一个正则化策略，通过图形马蹄铁。我们通过模拟研究比较这些方法，并将我们提出的功能图形马蹄铁应用于两个激励应用程序，用于比较酒精组和对照组之间的脑激活的脑电图数据，以及在创伤性脑损伤（TBI）存在下结构连接的变化。我们的研究结果让我们深入了解了大脑在受伤后如何试图补偿断开的网络。
2022-10-21 stat.AP stat.ME stat.ML
Bayesian spatial transformation models with applications in neuroimaging data
本文的目的是开发一类空间变换模型（STM），在空间上模拟成像措施之间的变化关联在一个三维（3D）体积（或2D表面）和一组协变量。我们的STM包括一个不同的Box-Cox变换模型，用于处理非高斯分布的成像数据和高斯马尔可夫随机场模型的问题，将空间平滑的成像数据。后验计算通过有效的马尔可夫链蒙特卡罗算法进行。仿真和实际数据分析表明，STM在恢复有意义的几何图案方面明显优于带高斯噪声的逐体素线性模型。我们的扫描隧道显微镜能够揭示儿童注意缺陷多动障碍的重要脑区的形态学变化。
2016-07-26 stat.AP
Online open neuroimaging mass meta-analysis
DTU Informatics, Technical University of Denmark（丹麦技术大学DTU信息学院）
我们描述了一个系统的元分析，一个wiki存储在一个简单的格式和一个Web服务执行数值计算的数值数据。我们首先将该系统应用于结构神经成像数据结果的多个荟萃分析。所描述的系统允许大规模荟萃分析，例如，对多个大脑区域和多种精神障碍进行荟萃分析。
2012-06-13 cs.AI cs.DL stat.AP
Multi-faceted Neuroimaging Data Integration via Analysis of Subspaces
本研究采用 DIVAS 方法对 HCP 五块多模态数据进行整合分析，发现遗传学是预测脑连接的最强单一模态，并开发新型 Jackstraw 假设检验确立显著载荷，揭示脑区与行为变量的可解释关联。
2024-08-28 q-bio.NC stat.AP stat.ME
Causal interpretation rules for encoding and decoding models in neuroimaging
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Sabancı University（萨班哲大学）；University of Freiburg（弗赖堡大学）
因果术语经常被引入到神经成像数据训练的编码和解码模型的解释中。在这篇文章中，我们调查哪些因果关系的陈述是有道理的，哪些是不支持的经验证据。我们认为，编码和解码模型之间的区别是不够的，这一目的：相关功能的编码和解码模型进行不同的意义刺激和反应为基础的实验范式。我们发现，只有在刺激为基础的设置编码模型支持明确的因果解释。然而，通过组合在相同数据上训练的编码和解码模型，我们可以深入了解每个模型类型所隐含的因果关系。我们说明了我们的理论研究结果在视觉运动学习任务的EEG数据记录的经验相关性。
2015-11-15 cs.LG q-bio.NC stat.AP
Bayesian Tensor Factorized Vector Autoregressive Models for Inferring Granger Causality Patterns from High-Dimensional Multi-subject Panel Neuroimaging Data
利用非侵入性神经影像技术了解功能性脑连接模式的动态是人类神经科学的一个重要焦点。向量自回归（VAR）过程和格兰杰因果分析（GCA）已被广泛用于这一目的。虽然高分辨率的多学科神经影像学数据是日常收集的一天，VAR模型的统计文献仍然高度集中在小到中等尺寸的问题和单一的主题数据。基于这些问题，我们提出了一种新的贝叶斯随机效应面板VAR模型，用于多主题高维神经影像数据。我们从一个单主体模型开始，将VAR系数构造为三向张量，然后通过应用Tucker张量分解来降低维度。一种新的稀疏诱导收缩先验允许数据自适应秩和滞后选择。然后，我们将该方法扩展到一种新的多学科数据的随机效应模型，该模型小心地避免了维度随着受试者数量的增加而爆炸，但也灵活地适应了特定于受试者的异质性。我们设计了一个用于后验计算的马尔可夫链蒙特卡罗算法。最后，对后验样本进行带有后验错误发现控制的GCA。该方法在仿真实验中表现出了良好的经验性能。应用于我们的激励功能磁共振成像研究，该方法允许人类大脑网络的定向连接进行详细研究，揭示有意义的，但以前未经证实的皮层连接模式。
2022-09-14 stat.AP stat.ME
Bayesian log-Gaussian Cox process regression: applications to meta-analysis of neuroimaging working memory studies
工作记忆是最早用功能磁共振成像研究的认知过程之一。目前，关于工作记忆的研究已经进行了20多年，每一项研究的样本量都很小，因此需要进行荟萃分析来确定工作记忆任务持续激活的大脑区域，并了解这些激活的研究间差异。然而，该领域的现有方法不能完全解释神经影像学荟萃分析数据的空间性质或WM研究中观察到的异质性。在这项工作中，我们提出了一个完全贝叶斯随机效应荟萃回归模型的基础上对数高斯Cox过程，可用于荟萃分析的神经影像学研究。本文提出了一种用于后验模拟的有效的马尔可夫链蒙特卡罗方法，它利用了图形处理器并行计算的最新进展。应用所提出的模型，一个真正的数据集提供了宝贵的见解有关的功能WM。
2019-12-19 stat.AP
Simultaneous Non-Gaussian Component Analysis (SING) for Data Integration in Neuroimaging
随着技术的进步，可以获得补充信息，科学研究越来越普遍地收集多个数据集。大规模神经影像学研究通常包括多种模式（例如，任务功能MRI、静息状态fMRI、弥散MRI和/或结构MRI），目的是了解数据集之间的关系。在这项研究中，我们试图了解工作记忆任务中激活的大脑区域是否与休息状态相关性有关。在神经成像中，一种流行的方法在具有联合独立成分分析的典型相关分析之前使用主成分分析进行降维，但这可能会丢弃具有低方差的生物特征和/或虚假地将数据集特有的结构与联合结构相关联。我们引入同步非高斯成分分析（SING），其中降维和特征提取同时实现，并通过主题得分捕获共享信息。我们将我们的方法应用于人类连接组项目的工作记忆任务和静息状态相关性。我们发现联合结构，从联合得分，其负载突出休息状态的相关性，涉及与工作记忆相关的区域。此外，一些科目的分数与流体智力有关。
2021-03-30 stat.AP stat.CO stat.ME
Predicting Alzheimer's disease: a neuroimaging study with 3D convolutional neural networks
Imperial College London（帝国理工学院）；King’s College London（伦敦国王学院）
近年来，使用神经成像数据诊断阿尔茨海默病的模式识别方法已经成为广泛研究的主题。在本文中，我们使用深度学习方法，特别是稀疏自编码器和3D卷积神经网络，来构建一种算法，该算法可以基于大脑的MRI扫描来预测患者的疾病状态。我们报告使用ADNI数据集的实验，涉及2,265个历史扫描。我们证明了3D卷积神经网络优于文献中报道的其他几种分类器，并产生最先进的结果。
2015-02-09 cs.CV cs.LG stat.AP
Thresholded Multiscale Gaussian Processes with Application to Bayesian Feature Selection for Massive Neuroimaging Data
出于对海量神经影像数据选择重要特征的需要，我们提出了一种在系数函数上施加稀疏性和分段光滑性的空间变系数模型（SVCMs）。基于阈值多分辨率高斯过程（TMGP），提出了一类新的非参数先验。我们表明，TMGP有一个大的支持空间的稀疏和分段光滑的功能，导致后验一致性系数函数估计和特征选择。此外，我们开发了一种方法，在TMGP阈值参数的先验规范，并讨论其理论性质。有效的后验计算算法的开发，通过采用核卷积的方法，其中一个修改的平方指数核选择的优点，本征分解的解析形式是可用的。基于仿真研究，我们证明了我们的方法可以实现更好的性能，在估计空间变化的系数。此外，所提出的模型已被应用于分析的静息状态功能磁共振成像（Rs-fMRI）数据从自闭症脑成像数据交换（ABIDE）的研究，它提供了生物学意义的结果。
2015-04-29 stat.AP stat.ME
Smooth Principal Component Analysis over two-dimensional manifolds with an application to Neuroimaging
出于对位于皮层表面的高维神经成像信号的分析，我们引入了一种新的主成分分析技术，该技术可以处理位于二维流形上的功能数据。为此目的，正则化的方法，通过引入光滑罚相干的测地线距离在流形上。该模型适用于任何流形拓扑结构，能够自然地处理缺失数据和在不同网格点上评估的函数样本。我们的方法的离散化任务，通过有限元分析，并提出了一个有效的迭代算法的决议。我们比较所提出的算法与其他方法的经典文献中采用的性能。最后，我们将所提出的方法应用于人类连接组项目的静息状态功能磁共振成像数据，该方法显示了其他方法不明显的大脑区域之间的差异。
2016-09-12 stat.AP stat.ME
A functional approach to deconvolve dynamic neuroimaging data
正电子发射断层扫描（PET）是一种成像技术，可用于研究人类生物过程中的化学变化，如癌症发展或神经化学反应。大多数动态PET扫描目前分析的基础上的假设，线性一阶动力学可以用来充分描述观察下的系统。然而，最近有强有力的证据表明情况并非如此。为了提供一个分析的PET数据，这是免费的，从这个房室假设，我们提出了一个非参数反卷积和分析模型的动态PET数据的基础上功能主成分分析。这在可能的去卷积函数中产生了灵活性，同时当线性房室模型设置是真正的数据生成机制时仍然表现良好。由于仅需要在相对少量的基函数上而不是在整个3-D体积中逐体素地执行去卷积，因此该方法对于典型的脑成像噪声水平是鲁棒的，同时也是计算高效的。新的方法进行了研究，通过模拟在1-D功能和2-D图像，也适用于神经影像学研究，其目标是在大脑中的阿片受体浓度的量化。
2014-11-07 stat.AP stat.ME
Estimating Covariate Effects on Functional Connectivity using Voxel-Level fMRI Data
针对静息态fMRI功能连接分析中ROI平均法的局限，提出基于ROIs间经验体素级相关性及新正定协方差函数的两步估计程序，实现协变量效应的高效推断，模拟及ABIDE数据验证其有效性与优势。
2025-08-15 stat.AP stat.ME
Boosting multi-view association testing via devariation
University of Toronto（多伦多大学）；Centre for Addiction and Mental Health（成瘾与心理健康中心）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文提出去变异方法，通过惩罚低秩因子模型捕捉视图内依赖，提升统计功效，验证了其在多模态神经影像数据中的有效性。
2026-03-27 math.ST stat.AP stat.ME
Bayesian Non-Central Chi Regression For Neuroimaging
我们提出了一个回归模型的非中心$χ$（NC- $χ$）分布式功能磁共振成像（fMRI）和扩散加权成像（DWI）的数据，异方差Rician回归模型作为一个突出的特殊情况。该模型允许NC- $χ$分布中的两个参数与解释变量相关联，相关协变量通过贝叶斯变量选择自动选择。提出了一种高效的马尔可夫链蒙特卡罗（MCMC）算法，从模型参数的联合贝叶斯后验分布和二元协变量选择指标进行模拟。模拟的fMRI数据被用来证明，Rician模型是能够本地化的大脑活动更准确地比传统上使用的高斯模型在低信噪比。使用来自人类连接组项目的扩散数据集，还表明，与理论上正确的Rician模型相比，常用的近似高斯噪声模型低估了单扩散张量模型中的平均扩散率（MD）和分数各向异性（FA）。
2016-12-21 stat.AP stat.ME
Statistical Analysis of Functions on Surfaces, with an application to Medical Imaging
在函数数据分析中，数据通常被假设为在实数线的固定间隔上的光滑函数。在这项工作中，我们介绍了一个全面的框架，功能数据的分析，其域是一个二维流形和域本身是受样本到样本的变化。我们制定了一个统计模型，这样的数据，这里称为表面上的功能，这使得联合表示的几何和功能方面，并提出了相关的估计框架。我们评估的框架的有效性进行模拟研究，我们最终将其应用到分析的神经影像数据的皮层厚度，从不同的主题的大脑，从而躺在域具有不同的几何形状。
2019-08-01 stat.AP stat.ME
Recovery of non-linear cause-effect relationships from linearly mixed neuroimaging data
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Gatsby Computational Neuroscience Unit, Sainsbury Wellcome Centre（盖茨比计算神经科学单元，塞恩斯伯里惠康中心）
因果推断涉及变量之间因果关系的识别。然而，通常只有变量的线性组合才构成有意义的因果变量。例如，从脑电图中恢复皮层源的信号需要在多个电极处记录的信号的良好调谐组合。我们最近引入了MERLiN（线性网络中的混合效应恢复）算法，该算法能够从观察到的线性混合中恢复一个因果变量，该变量是另一个给定变量的线性效应。在这里，我们放松的假设，这种因果关系是线性的，并提出了一个扩展的算法，可以拿起非线性因果关系。因此，主要的贡献是一个算法（和准备使用的代码），具有更广泛的适用性，并允许更丰富的模型类。此外，比较分析表明，线性因果关系的假设是没有限制性的分析脑电图数据。
2016-09-30 cs.LG stat.AP stat.ME
