Spatially Varying Coefficient Model for Neuroimaging Data with Jump Discontinuities
具有跳跃间断的神经影像空间变系数模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要涉及神经影像空间统计，空间相关和函数主成分不足以直接归入宏观因子或网络干扰。
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…
关注这篇论文的作者
具有跳跃间断的神经影像空间变系数模型
- 研究问题
- 神经影像数据同时存在区域边缘跳跃与空间相关时，如何估计影像指标和协变量之间随空间变化的关联，并保留区域边界？
- 方法与思路
- 作者结合变系数测量模型、跳跃曲面模型和函数主成分模型，提出三阶段估计及快速多尺度自适应估计与检验程序。
- 材料陈述的贡献
- 摘要称方法可同时估计变系数和空间相关，建立参数一致性、渐近正态性及协方差和相关特征量的统一收敛结果。
- 阅读关注点
- 应核对分片平滑及跳跃边缘的假设、三阶段误差如何传播、空间采样设定，以及边界保留和渐近结论各自成立的条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或接收；摘要未提供模拟和真实数据数值，“优秀表现”仅是作者的概括性陈述。
原文摘要
Motivated by recent work on studying massive imaging data in various neuroimaging studies, we propose a novel spatially varying coefficient model (SVCM) to spatially model the varying association between imaging measures in a three-dimensional (3D) volume (or 2D surface) with a set of covariates. Two key features of most neuorimaging data are the presence of multiple piecewise smooth regions with unknown edges and jumps and substantial spatial correlations. To specifically account for these two features, SVCM includes a measurement model with multiple varying coefficient functions, a jumping surface model for each varying coefficient function, and a functional principal component model. We develop a three-stage estimation procedure to simultaneously estimate the varying coefficient functions and the spatial correlations. The estimation procedure includes a fast multiscale adaptive estimation and testing procedure to independently estimate each varying coefficient function, while preserving its edges among different piecewise-smooth regions. We systematically investigate the asymptotic properties (e.g., consistency and asymptotic normality) of the multiscale adaptive parameter estimates. We also establish the uniform convergence rate of the estimated spatial covariance function and its associated eigenvalue and eigenfunctions. Our Monte Carlo simulation and real data analysis have confirmed the excellent performance of SVCM.