独⽴成分分析（ICA）在静息态功能连接中的应⽤
Pruim, R. H., Mennes, M., van Rooij, D., Llera, A., Buitelaar, J. K., & Beckmann, C. F. (2015). ICA-AROMA: A robust ICA-bad strategy for removing motion artifacts from fMRI data. Neuroimage, 112, 267-277.
ICA-AROMA：⼀种去除fMRI运动伪迹的鲁棒ICA策略
Birn, R. M., Murphy, K., & Bandettini, P. A. (2008). The effect of respiration variations on independent component analysis results of resting state functional connectivity. Human brain mapping, 29(7), 740-750.
呼吸变量对静息态功能连接的ICA结果的影响
摘要：fMRI功能连接分析会受到⼼跳和呼吸的严重影响。虽然这些信号伪迹中的⼀些可以通过⽣理噪声校正程序来减少，但是那些因呼吸深度和速率改变所引起的更为缓慢的信号波动通常不会被消除。这些缓慢的呼吸引起的信号变化发⽣在低频率和类似于⽤于推断功能连接的波动的空间位置，并显著影响了ed-ROI或ed-voxel bad功能连接分析，特别是在默认模式⽹络中。在本研究中，我们研究了呼吸变化对静息状态下ICA导出的功能连通图的影响。把在词汇决策任务中不激活的区域作为默认模式⽹络。
独⽴测量呼吸的变化并与MRI时间序列数据相关联。在⼤多数情况下，ICA将默认模式⽹络与呼吸相关的变化分开。但是，在某些情况下，被⾃动识别为默认模式⽹络的成分与被识别为呼吸相关的成分相同。此外，多数情况下，与默认模式⽹络成分相关的时间序列仍然与每次呼吸量的变化显著相关，这表明当前的ICA⽅法可能⽆法将呼吸带来的变化与默认模式⽹络完全分离。对呼吸的单独测量可以为区分默认模式⽹络与呼吸相关的信号变化，以及评估排除呼吸效应后的结果提供有益信息。过故人庄原文及翻译
Parkes, L., Fulcher, B., Yücel, M., & Fornito, A. (2018). An evaluation of the efficacy, reliability, and nsitivity of motion correction strategies for resting-state functional MRI. Neuroimage, 171, 415-436.
静息态fMRI的运动校正⽅法的⽐较
Censoring和ICA-AROMA的表现普遍最优
Pruim, R. H., Mennes, M., Buitelaar, J. K., & Beckmann, C. F. (2015). Evaluation of ICA-AROMA and alternative strategies for motion artifact removal in resting state fMRI. Neuroimage, 112, 278-287.
对ICA-AROMA以及其它⼀些运动校正⽅法的评估
主要是讲ICA-AROMA如何好
白夜行电子书
Song, X., & Wyrwicz, A. M. (2009). Unsupervid spatiotemporal fMRI data analysis using support vector machines. NeuroImage, 47(1), 204-212.
⽆监督的fMRI⽀持向量机激活探测
逻辑是：激活区的⽐例要⼩于⾮激活区。按照这⼀指标使⽤⽀持向量机⽅法将激活区与⾮激活区分离开。
Shirer, W. R., Jiang, H., Price, C. M., Ng, B., & Greicius, M. D. (2015). Optimization of rs-fMRI pre-processing for enhanced signal-noi paration, test-retest reliability, and group discrimination. Neuroimage, 117, 67-79.
最优化静息态fMRI的预处理过程，提⾼信噪⽐，重测信度和组间差异
Cox, R. W., Chen, G., Glen, D. R., Reynolds, R. C., & Taylor, P. A. (2017). FMRI clustering in AFNI: fal-positive rates redux. Brain connectivity, 7(3), 152-171.
AFNI在分析fMRI数据中表现出了假阳性偏⾼的问题
global signal regression（全脑信号回归）在SPM中被作为预处理的⼀个步骤，会引起ROI-bad的功
能连接分析中出现负激活的相关，也就是默认⽹络在任务态中出现负激活的统计原因。在GLM中回归掉global signal regression（也就是全脑所有体素的时间序列的平均值）会使得所有其它脑区与所选ed之间的相关变为以零为平均值的钟形分布。
Caballero-Gaudes, C., & Reynolds, R. C. (2017). Methods for cleaning the BOLD fMRI signal. Neuroimage, 154, 128-149. fMRI数据清洗的⼀些⽅法
月的故事包括对global signal regression（全脑信号回归）的⼀些替代⽅法
Power, J. D., Schlaggar, B. L., & Petern, S. E. (2015). Recent progress and outstanding issues in motion correction in resting state fMRI. Neuroimage, 105, 536-551.
2011年⾄2015年间有关静息态fMRI运动校正的有关发展
Eklund, A., Nichols, T. E., & Knutsson, H. (2016). Cluster failure: Why fMRI inferences for spatial extent have inflated fal-positive rates. Proceedings of the national academy of sciences, 113(28), 7900-7905.
为什么fMRI实验的假阳性率那么⾼？
2019年五行属什么常⽤的fMRI数据分析软件如：SPM， FSL， AFNI表现出了⾼达70%的假阳性率
入会申请书被引⽤了1600+次
Eklund, A., Nichols, T., Andersson, M., & Knutsson, H. (2015, April). Empirically investigating the statistical validity of SPM, FSL and AFNI for single subject fMRI analysis. In 2015 IEEE 12th International Symposium on Biomedical Imaging (ISBI) (pp. 1376-1380). IEEE.
SPM，FSL和AFNI在单被试fMRI分析中的统计效度表明三种软件都表现出了偏⾼的假阳性率
SPM主要是噪声模型过于简单，⽽FSL对空间平滑度估计不⾜。
Eklund, A., Nichols, T., & Knutsson, H. (2015). Can parametric statistical methods be trusted for fMRI bad group studies?. arXiv preprint arXiv:1511.01863.
参数统计⽅法在fMRI组间⽐较中的可⾏性？
前提假设较少的⾮参数统计（⽐如置换检验permutation test）表现出更好的cluster inference结果。空间⾃相关函数不遵循假设的⾼斯形状是造成参数检验⽅法结果不好的原因。
Razi, A., Kahan, J., Rees, G., & Friston, K. J. (2015). Construct validation of a DCM for resting state fMRI. Neuroimage, 106, 1-14.
静息态fMRI的动态因果模型（DCM）的构建效度
Lv, J., Jiang, X., Li, X., Zhu, D., Chen, H., Zhang, T., … & Zhang, J. (2015). Spar reprentation of whole-brain fMRI signals for identification of functional networks. Medical image analysis, 20(1), 112-134.
⽤于识别功能⽹络的全脑fMRI信号的稀疏表⽰
Zhang, Z., Xu, Y., Yang, J., Li, X., & Zhang, D. (2015). A survey of spar reprentation: algorithms and applications. IEEE access, 3, 490-530.
稀疏信号表⽰研究：算法和应⽤
Iqbal, A., & Seghouane, A. K. (2018). A dictionary learning algorithm for multi-subject fMRI analysis bad on a hybrid concatenation scheme. Digital Signal Processing, 83, 249-260.
基于混合(时间和空间)级联⽅案和稀疏编码的字典学习（dictionary learning）⽅法，⽤来分析多被试的fMRI数据
Walther, A., Nili, H., Ejaz, N., Alink, A., Kriegeskorte, N., & Diedrichn, J. (2016). Reliability of dissimilarity measures for
multi-voxel pattern analysis. Neuroimage, 137, 188-200.
多体素模式分析
Friman, O., Borga, M., Lundberg, P., & Knutsson, H. (2003). Adaptive analysis of fMRI data. NeuroImage, 19(3), 837-845.
基于PCA和CCA（canonical correlation analysis）的fMRI⾃适应分析
Jin, M., Nandy, R., Curran, T., & Cordes, D. (2012). Extending local canonical correlation analysis to handle general linear contrasts for fMRI data. Journal of Biomedical Imaging, 2012, 4.
⽤扩展的局部CCA来做fMRI的⼀般线性对⽐
Kahnt, T., Chang, L. J., Park, S. Q., Heinzle, J., & Haynes, J. D. (2012). Connectivity-bad parcellation of the human orbitofrontal cortex. Journal of Neuroscience, 32(18), 6240-6250.
基于连接的⽅式对⼈类的orbitofrontal⽪层进⾏分割拥抱艳阳天>新闻价值的五要素
通过⽆监督学习的⽅式在静息态的fMRI中实现。
Wang, L., Liu, Q., Li, H., & Hu, D. (2012, October). Functional connectivity-bad parcellation of human medial frontal cortex via maximum margin clustering. In International Conference on Intelligent Science and Intelligent Data Engineering (pp. 306-312). Springer, Berlin, Heidelberg.
⽤最⼤间隔聚类的⽅法maximum margin clustering (MMC)划分⼈类的内侧前额叶
⼈脑内侧前额叶可以被划分为前（anterior）和后（posterior）两个部分，分别为前辅助运动⽪层和辅助运动⽪层的同源物。前者与认知有关的脑区有联系，⽽后者与运动相关脑区联系。
Hyvarinen, A. (1999). Fast and robust fixed-point algorithms for independent component analysis. IEEE transactions on Neural Networks, 10(3), 626-634.
⽤于独⽴组件分析的快速鲁棒定点算法
⼀篇引⽤量6600+的ICA⽂章，1999年的
Haq, N. F., Tan, S. N., McKeown, M. J., & Wang, Z. J. (2019). Parcellation of functional sub-regions from fMRI: A graph clustering bad approach. Biomedical Signal Processing and Control, 49, 181-191.
基于图论聚类⽅法划分壳核的不同区域
还没有⼈引⽤过，是19年的⽂章。
“壳核的不同⼦区与其他⼤脑区域具有不同的连接模式。对于这项⼯作，我们考虑了三个参考区域：感觉运动区域（SMA），眶额回（OF）和扣带回（CG），因为据报道它们与壳核⼦区域的连接模式有显着差异。SMA往往与DLS具有强连接性，与DMS的连接性较弱，⽽OF和CG⽪质与DMS的连接性较强，与DLS的连接较弱。”
Shen, X., Papademetris, X., & Constable, R. T. (2010). Graph-theory bad parcellation of functional subunits in the brain from resting-state fMRI data. Neuroimage, 50(3), 1027-1035.
在静息态fMRI中利⽤图论区分功能⼦区
归⼀化切割和模块化检测算法（the normalized cut (Ncut) and the modularity detection algorithm），对⽐⾼斯混合模型（Gaussian mixture model (GMM) approach）。Ncut的效果最好。
Shen, X., Tokoglu, F., Papademetris, X., & Constable, R. T. (2013). Groupwi whole-brain parcellation from resting-state fMRI data for network node identification. Neuroimage, 82, 403-415.
与上⼀篇同⼀个第⼀作者，是上⼀篇研究的进⼀步发展
⽤静息态fMRI数据进⾏全脑的脑区分割，得到的脑区可以与SPM对接，可以⽤在⽹络分析中作为节点。
Thirion, B., Varoquaux, G., Dohmatob, E., & Poline, J. B. (2014). Which fMRI clustering gives good brain parcellations?. Frontiers in neuroscience, 8, 167.
宁海森林温泉Ward, spectral and k-means clustering algorithms
其中Ward⽅法的可重复性和正确率最好
Wang, J., Wang, L., Zang, Y., Yang, H., Tang, H., Gong, Q., … & He, Y. (2009). Parcellation‐dependent small‐world brain functional networks: A resting‐state fMRI study. Human brain mapping, 30(5), 1511-1523.
依赖于脑区划分不同⼩世界脑功能⽹络也有所不同
Wang, L., Gao, Y., Shi, F., Li, G., Gilmore, J. H., Lin, W., & Shen, D. (2015). LINKS: Learning-bad multi-source IntegratioN frameworK for Segmentation of infant brain images. NeuroImage, 108, 160-172.
MICCAI 获奖作品，能够较快对婴⼉的脑T1图像进⾏分割
Moeskops, P., Viergever, M. A., Mendrik, A. M., de Vries, L. S., Benders, M. J., & Išgum, I. (2016). Automatic gmentation of MR brain images with a convolutional neural network. IEEE transactions on medical imaging, 35(5), 1252-1261.
利⽤卷积神经⽹络对MR脑图像进⾏⾃动分割
