摘要：在多模态神经影像学分析领域，核心要点在于明晰两种成像模式之间的关联，甄别出具备统计学显著意义的大脑区域。在本文当中，我们构建了一种贝叶斯非参数空间变化相关模型以推断此类区域。我们以阈值相关高斯过程（TCGP）作为基础来搭建模型。该模型能够确保空间变化相关性呈现
在多模态神经影像学分析领域，核心要点在于明晰两种成像模式之间的关联，甄别出具备统计学显著意义的大脑区域。在本文当中，我们构建了一种贝叶斯非参数空间变化相关模型以推断此类区域。我们以阈值相关高斯过程（TCGP）作为基础来搭建模型。该模型能够确保空间变化相关性呈现分段平滑、稀疏以及跳跃不连续的特性，即便在受试者数量有限或者信噪比偏低的情况下，亦能拥有良好的适用性。我们针对模型的可识别性展开了探究，确立了大支持性质，推导得出后验一致性与选择一致性。另外，我们还研发了一种高效的吉布斯采样器及其变体，用以计算后验分布。我们借助模拟以及对人类连接组计划的功能磁共振成像数据的分析来展现该方法。
实验设计
1. 数据收集：实验使用了来自人类连接组计划（Human Connectome Project, HCP）的静息态功能磁共振成像（resting-state fMRI）和工作记忆任务相关fMRI数据集，包含904名受试者。
2. 数据预处理：
静息态fMRI数据的预处理包括畸变和头部运动校正、去除最慢的时间漂移和结构化非神经元伪影。工作记忆任务相关fMRI数据的预处理包括梯度去扭曲、运动校正、畸变校正和全局强度归一化。使用图像对齐技术将两种模态的图像映射到共同的3D空间，并回归掉年龄和性别的潜在混杂变量。最终将图像注册并对齐到标准的MNI空间，图像维度为91×109×91，包含117,293个体素。3. 模型构建：
使用Matérn核函数进行高斯过程建模。选择前540个特征值和特征函数进行Karhunen-Loève展开，以简化模型。设置超参数，并选择的第75百分位和第100百分位作为和的值。4. 采样算法：
使用Gibbs采样算法进行1000次迭代，前200次作为燃烧期。使用混合小批量MCMC算法进行1200次迭代，前400次作为燃烧期。5. 显著性阈值：通过阈值化后验包含概率（posterior inclusion probability）来识别非零相关性的体素，阈值为0.5。
结果与分析
1. 模拟结果：
在不同样本量（n=500和n=900）和噪声水平下的模拟结果表明，提出的TCGP方法在不同条件下均优于其他对比方法（体素级分析、区域级分析和Li等人的集成方法）。具体来说，TCGP方法在敏感性、特异性和假发现率（False Discovery Rate, FDR）方面表现最佳，尤其是在样本量较大时。2. HCP数据分析结果：
通过TCGP方法识别出多个具有显著正相关或负相关的脑区。正相关最高的区域位于角回（angular gyrus），这与已有文献一致，表明角回参与语言、数字处理、空间认知、记忆检索和注意力等认知过程。中颞叶（middle temporal gyrus）和上顶叶（superior parietal gyrus）也显示出强烈的正相关性，分别涉及面部识别、视听情绪识别和词汇意义访问以及工作记忆中的信息操作。舌回（lingual gyrus）的两个区域显示出强烈的负相关性，舌回在视觉记忆和词汇处理中起重要作用。3. 敏感性分析：
对混合小批量MCMC算法中的小批量大小（ms）和每隔T0次迭代的完整数据采样次数进行了敏感性分析，结果表明结果在不同参数设置下相对稳定。结论
提出的基于阈值化相关高斯过程（TCGP）的贝叶斯非参数空间变化相关模型，能够有效估计和推断两种成像模态之间的显著相关区域。实验结果表明，该方法在不同样本量和噪声水平下均表现出较高的敏感性和特异性，识别出多个具有科学意义的脑区，为认知神经科学研究提供了有价值的见解。
来源：宁教授网络空间元宇宙