Reproducibility-based Independent Component Analysis: Applied to Functial Magenetic Resonance Imaging Data

本文采用验证、改进、扩展、应用的逻辑，紧密围绕“可复制性”（reproducibility）的思想，通过四个完整的研究系统地论述和改进了独立成分分析（ICA）方法在功能磁共振（fMRI）数据分析中的应用。 在对ICA方法的验证研究中，作者将其应用于静息状态下的fMRI数据，并且通过可复制性及与传统研究方法的一致性检验了ICA结果的可靠性。同时，也提出了ICA在fMRI数据分析中的局限性。 在方法的改进研究中，作者为了解决ICA在应用中的一些局限性，开发了基于可复制性的改进ICA方法，RAICAR。它可以按照可复制性为ICA成分排序，确定可靠成分的数目，并获得更加稳定的结果。RAICAR为ICA结果的验证和解释提供了工具。 在方法的扩展研究中，作者将RAICAR及“可复制性”思想扩展到多被试的ICA分析中，开发了gRAICAR算法。gRAICAR允许被试间存在一定差异，不但可以检测被试间共有的成分，而且善于发现被试在某个成分中的潜在分组，为fMRI数据的组分析和探索性分析提供了新方法。 在方法的应用研究中，两种新方法被用于研究早期音乐训练对学习、记忆的脑机制的影响，并发现了两组被试在记忆提取和学习过程中的脑机制差异。这同时验证了两种新方法的有效性和在fMRI数据分析中的重要