Cluster extent inference revisited: quantification and localisation of brain activity
重新审视簇范围推断：脑活动的量化与定位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：摘要聚焦神经影像空间多重检验，图论计算本身不构成经济网络与干扰研究的证据。
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…
重新审视簇范围推断：脑活动的量化与定位
- 研究问题
- 空间簇范围检验能够发现含有信号的区域，但如何进一步对任意感兴趣区域判断信号存在并量化脑活动比例，同时控制多重检验错误？
- 方法与思路
- 作者将簇范围推断嵌入闭合检验程序，并求解由该嵌入产生的图论 k 分隔问题，以扩展区域层面的定位和量化推断。
- 材料陈述的贡献
- 摘要称，扩展推断可判断任意感兴趣区域内的信号并量化活动百分比，无须进一步调整显著性水平，仍保留整体族错误率控制。
- 阅读关注点
- 阅读全文时应核对活动比例的推断对象、区域选择及同时有效性的范围，并检查基础簇检验条件、图论求解方法与计算代价。
- 阅读边界
- 仅据所给 Crossref 摘要；族错误率控制的具体条件、活动比例的区间或界限形式及算法复杂度未说明，不能推断定位分辨率或应用数值。
原文摘要
Abstract Cluster inference based on spatial extent thresholding is a popular analysis method multiple testing in spatial data, and is frequently used for finding activated brain areas in neuroimaging. However, the method has several well-known issues. While powerful for finding regions with some activation, the method as currently defined does not allow any further quantification or localisation of signal. In this paper, we repair this gap. We show that cluster-extent inference can be used (1) to infer the presence of signal in any region of interest and (2) to quantify the percentage of activation in such regions. These additional inferences come for free, i.e. they do not require any further adjustment of the alpha-level of tests, while retaining full family-wise error control. We achieve this extension of the possibilities of cluster inference by embedding the method into a closed testing procedure, and solving the graph-theoretic k-separator problem that results from this embedding. We demonstrate the usefulness of the improved method in a large-scale application to neuroimaging data from the Neurovault database.