贝叶斯新框架量化fMRI不确定性，7T扫描时间直降40%！
Bayesian Uncertainty Quantification for fMRI Functional Connectivity via Simulation-Based Inference
📖 AI 总结
该研究针对fMRI功能连接分析中传统相关方法无法量化不确定性、难以区分扫描噪声与真实神经变异的问题，提出了一种贝叶斯框架。该方法将BOLD信号建模为耦合的Ornstein-Uhlenbeck过程，并采用序贯神经后验估计获得连接强度的后验分布，同时考虑全频段测量噪声。基于28名健康被试的55次7T扫描数据（65个默认模式网络脑区），研究量化了扫描噪声、个体差异和采集时长等不确定性来源。结果显示，每个感兴趣区平均约46个体素即可达到90%的渐近精度；7T约7分钟达到单被试精度平台，较3T的10分钟缩短40%；在群体水平上，3T所需的单被试扫描时长约为7T的37倍。该工作为扫描协议优化提供了具体指导，有助于降低采集成本并提升连接生物标志物的可靠性。
🔑 关键词速览
| fMRI功能连接 | 通过测量大脑不同区域BOLD信号的时间相关性来推断区域间功能耦合的方法。 |
| Ornstein-Uhlenbeck过程 | 一种连续时间的均值回归随机过程，常用于建模神经动力学中的噪声和耦合关系。 |
| 序贯神经后验估计 | 一种基于模拟的推断方法，利用神经网络序贯地逼近复杂模型的后验分布。 |
| BOLD频谱 | 血氧水平依赖信号在频域上的功率分布，用于分析噪声特性和神经活动。 |
| DMN | 默认模式网络，一组在静息态下协同活动的大脑区域，与内省和记忆等认知功能相关。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅