Meta Analysis of Functional Neuroimaging Data via Bayesian Spatial Point Processes
基于贝叶斯空间点过程的功能神经影像元分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究神经影像空间点过程，空间聚类并不直接构成所列经济网络研究。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
基于贝叶斯空间点过程的功能神经影像元分析
- 研究问题
- 汇总多个神经影像研究的峰值激活坐标时，如何建立可解释模型，定位共同激活中心并刻画研究之间的差异？
- 方法与思路
- 作者使用带标记的独立聚类过程建立贝叶斯空间层级模型，将激活点、潜在研究中心与总体中心分层连接。
- 材料陈述的贡献
- 摘要称，总体中心过程的后验强度可用于中心定位及研究间变异推断，并支持研究子群比较与敏感性分析。
- 阅读关注点
- 应核对各层点过程和标记的含义、先验设定及后验计算，以及中心定位、研究间变异和子群比较的定义。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，无法判断先验敏感性、模型拟合或坐标汇总的信息损失，也不能推断刊本变化。
原文摘要
As the discipline of functional neuroimaging grows there is an increasing interest in meta analysis of brain imaging studies. A typical neuroimaging meta analysis collects peak activation coordinates (foci) from several studies and identifies areas of consistent activation. Most imaging meta analysis methods only produce null hypothesis inferences and do not provide an interpretable fitted model. To overcome these limitations, we propose a Bayesian spatial hierarchical model using a marked independent cluster process. We model the foci as offspring of a latent study center process, and the study centers are in turn offspring of a latent population center process. The posterior intensity function of the population center process provides inference on the location of population centers, as well as the inter-study variability of foci about the population centers. We illustrate our model with a meta analysis consisting of 437 studies from 164 publications, show how two subpopulations of studies can be compared and assess our model via sensitivity analyses and simulation studies. Supplemental materials are available online.