fMRI网络发现分析：方法选择与应用影响综述.pdfVIP

使用fMRI进行网络发现：分析选择及其影响

大纲：

I.定义网络的方法（ICA、点、ROI）II.处

理问题（、自相关、滤波）III.其他问题（任务

与静息状态、网络）IV.应用（诊断、预测）

V.时间变化网络VI.总结

要点/你应该知道的：

1.了解定义脑网络的各种方法2.各种处理选择和校正对连接性结果的重要性3.

使用多变量组ICA方法提取和分析脑网络的应用

推荐阅读：

V.D.Calhoun和T.Adalı,多受试者fMRI的独立成分分析：十年的内在网络、默认模式和

神经诊断发现,IEEE生物医学工程评论,第5卷,第60‑73页,2012。E.Erhardt,E.Allen,E.

Damaraju和V.D.Calhoun,关于网络推导、分类和可视化：对Habeck和Moeller的回应,

脑连接,第1卷,第1‑19页,2011。R.M.Hutchison,T.Womelsdorf,E.A.Allen,P.

Bandettini,V.D.Calhoun,M.Corta,S.D.Penna,J.Duyn,G.Glover,J.

Gonzalez‑Castillo,D.A.Handwerker,S.D.Keilholz,V.Kiviniemi,D.A.Leopold,F.de

Pasquale,O.Ss,M.Walter和C.Chang,动态功能连接：前景、问题和解释,神经影像,

第80卷,第360‑378页,2013。

概述：

从感区域（ROI）到基于的关联，再到独立成分分析（ICA）和图论等方法，定

义脑网络的方式有很多，每篇似乎对“脑网络”这个词的使用也各不相同。讨

论“脑网络”的常见定义，并简要介绍几种主要的方法。一种使用频率越来越高的方法是

独立成分分析（ICA）。独立成分分析是一种统计方法，用于从一组测量值或观测数据中

发现隐藏的因素（源或特征），使这些源尽可能地相互独立。通常，它假设一个生成模型，

其中观察值被认为是独立源的线性混合物，与主成分分析（PCA）通过解除数据相关性不

同，ICA利用高阶统计量来实现独立性。

NetworkdiscoverywithfMRI:analyticchoicesandtheirimplications

OUTLINE:

I.Approachesfordefiningnetworks(ICA,seeds,ROIs)

II.Processingissues(motion,autocorrelation,filtering)

III.Otherissues(taskvsrest,overlapofnetworks)

IV.Applications(diagnostic,prediction)

V.Time-varyingnetworks

VI.Summary

TAKE-HOMEMESSAGES/WHATYOUSHOULDKNOW:

1.Awarenessofvariouswaysofdefiningabrainnetwork

2.Theimportanceofvariousprocessingchoicesandcorrectionsconnectivityresults

3.UsesofthemultivariategroupICAapproachinextractingandanalyzingbrainnetworks

SUGGESTEDREADING:

V.D.CalhounandT.Adalı,Multi-subjecttComponentA