liu.seSök publikationer i DiVA
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Spatial 3D Matérn Priors for Fast Whole-Brain fMRI Analysis
Linköpings universitet, Institutionen för datavetenskap, Statistik och maskininlärning. Linköpings universitet, Tekniska fakulteten.
School of Mathematics, The University of Edinburgh, United Kingdom.
CEMSE Division, King Abdullah University of Science and Technology, Saudi Arabia.
Linköpings universitet, Institutionen för medicinsk teknik, Avdelningen för medicinsk teknik. Linköpings universitet, Tekniska fakulteten. Linköpings universitet, Centrum för medicinsk bildvetenskap och visualisering, CMIV. Linköpings universitet, Institutionen för datavetenskap, Statistik och maskininlärning.ORCID-id: 0000-0001-7061-7995
Visa övriga samt affilieringar
2021 (Engelska)Ingår i: Bayesian Analysis, ISSN 1936-0975, E-ISSN 1931-6690, Vol. 16, nr 4, s. 1251-1278Artikel i tidskrift (Refereegranskat) Published
Abstract [en]

Bayesian whole-brain functional magnetic resonance imaging (fMRI) analysis with three-dimensional spatial smoothing priors has been shown to produce state-of-the-art activity maps without pre-smoothing the data. The proposed inference algorithms are computationally demanding however, and the spatial priors used have several less appealing properties, such as being improper and having infinite spatial range.We propose a statistical inference framework for whole-brain fMRI analysis based on the class of Mat ern covariance functions. The framework uses the Gaussian Markov random field (GMRF) representation of possibly anisotropic spatial Mat ern fields via the stochastic partial differential equation (SPDE) approach of Lindgren et al. (2011). This allows for more flexible and interpretable spatial priors, while maintaining the sparsity required for fast inference in the high-dimensional whole-brain setting. We develop an accelerated stochastic gradient descent (SGD) optimization algorithm for empirical Bayes (EB) inference of the spatial hyperparameters. Conditionally on the inferred hyperparameters, we make a fully Bayesian treatment of the brain activity. The Mat ern prior is applied to both simulated and experimental task-fMRI data and clearly demonstrates that it is a more reasonable choice than the previously used priors, using comparisons of activity maps, prior simulation and cross-validation.

Ort, förlag, år, upplaga, sidor
INT SOC BAYESIAN ANALYSIS , 2021. Vol. 16, nr 4, s. 1251-1278
Nyckelord [en]
spatial priors, Gaussian Markov random fields, fMRI, spatiotemporal modeling, efficient computation
Nationell ämneskategori
Sannolikhetsteori och statistik Radiologi och bildbehandling
Identifikatorer
URN: urn:nbn:se:liu:diva-178090DOI: 10.1214/21-BA1283ISI: 000754390900008OAI: oai:DiVA.org:liu-178090DiVA, id: diva2:1582253
Forskningsfinansiär
Vetenskapsrådet, 2013-5229Vetenskapsrådet, 2016-04187EU, Horisont 2020, 640171
Anmärkning

Funding: Swedish Research Council (Vetenskapsadet)Swedish Research Council [2013-5229, 2016-04187]; European Unions Horizon 2020 Programme for Research and Innovation [640171]; Center for Industrial Information Technology (CENIIT) at Linkoping University

Tillgänglig från: 2021-07-29 Skapad: 2021-07-29 Senast uppdaterad: 2022-03-15

Open Access i DiVA

fulltext(609 kB)125 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 609 kBChecksumma SHA-512
b118459423338d39535624d2ee029d6936b27097222b35cd3a0f06ac4bbba90011b5fb4e8edec05d61c941a37bc3019c43208b5db5d642dd2a89cecc09c3d220
Typ fulltextMimetyp application/pdf

Övriga länkar

Förlagets fulltext

Person

Sidén, PerEklund, AndersVillani, Mattias

Sök vidare i DiVA

Av författaren/redaktören
Sidén, PerEklund, AndersVillani, Mattias
Av organisationen
Statistik och maskininlärningTekniska fakultetenAvdelningen för medicinsk teknikCentrum för medicinsk bildvetenskap och visualisering, CMIVFilosofiska fakulteten
I samma tidskrift
Bayesian Analysis
Sannolikhetsteori och statistikRadiologi och bildbehandling

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 125 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

doi
urn-nbn

Altmetricpoäng

doi
urn-nbn
Totalt: 125 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf