[论文解读] Autocorrelation bias still exists in fMRI results

Wiktor Olszowy, Guy Williams+2 more|arXiv (Cornell University)|Nov 27, 2017

Functional Brain Connectivity Studies参考文献 31被引用 2

一句话总结

本研究使用10个数据集（涵盖静息态和任务态扫描）评估了三种主流fMRI软件包——AFNI、FSL和SPM——在时间自相关建模方面的表现。结果表明，FSL和SPM的假阳性率更高，且去白化效果弱于AFNI，其中SPM在长TR扫描中引入了负自相关，而FSL则未能有效消除显著的噪声自相关，尤其是在低设计频率假设下。

ABSTRACT

Given the recent trend towards validating the neuroimaging statistical methods, we compared the most popular functional magnetic resonance imaging (fMRI) analysis softwares: AFNI, FSL and SPM, with regard to temporal autocorrelation modelling. We used both resting state and task-based fMRI data, altogether 10 datasets containing 780 scans corresponding to different scanning sequences and different subject populations. In analyses of each fMRI scan we considered different assumed experimental designs, as well as different spatial smoothing levels and different detrending options. For data used as null data the use of FSL and SPM resulted in much higher false positive rates than the use of AFNI. On the other hand, due to SPM modelling temporal autocorrelation in the least flexible way, it can introduce negative autocorrelations during pre-whitening for scans with long repetition times. For one dataset we observed a big loss of sensitivity when SPM was used. Interestingly, because pre-whitening in FSL and SPM does not remove a substantial part of the temporal autocorrelation in the noise, we observed a relationship that the lower the assumed experimental design frequency, the more likely it was to observe significant activation. Though temporal autocorrelation modelling in AFNI was not perfect, its performance was much higher than the performance of temporal autocorrelation modelling in FSL and SPM. FSL and SPM could improve their autocorrelation modelling approaches for example adopting a noise model similar to the one used by AFNI.

研究动机与目标

• 评估AFNI、FSL和SPM在fMRI分析中时间自相关建模的准确性。
• 研究不同实验设计、平滑水平和去趋势方法对假阳性率的影响。
• 评估重复时间（TR）对自相关建模的影响，特别是SPM的去白化过程。
• 在相同数据条件下，比较各软件工具在激活检测中的敏感性和特异性。
• 识别当前fMRI软件中的缺陷，这些缺陷可能导致I类错误率升高或统计效能下降。

提出的方法

• 使用来自不同序列和受试者群体的10个fMRI数据集（共780次扫描）对比AFNI、FSL和SPM。
• 应用多种实验设计、空间平滑水平和去趋势选项，以评估其鲁棒性。
• 使用零模型数据，在相同预处理和建模条件下评估各软件包的假阳性率。
• 分析SPM和FSL的去白化性能，以检测残留或人为引入的自相关性。
• 评估激活检测中的敏感性损失，特别是在SPM建模灵活性最低的长TR扫描中。
• 量化假设设计频率与显著性率之间的关系，尤其关注FSL和SPM。

实验结果

研究问题

• RQ1 AFNI、FSL和SPM在fMRI数据时间自相关建模方面如何比较？
• RQ2 重复时间（TR）对自相关建模有何影响，特别是在SPM的去白化过程中？
• RQ3 假设的实验设计频率如何影响FSL和SPM中的假阳性检测率？
• RQ4 FSL和SPM的去白化在多大程度上去除了噪声中的残留时间自相关性？
• RQ5 SPM为何在一个数据集中表现出显著的敏感性损失，这是否与它的自相关建模有关？

主要发现

• 在使用零模型数据时，FSL和SPM的假阳性率显著高于AFNI，表明其对I类错误的控制能力较差。
• SPM在长TR扫描的去白化过程中引入了负自相关，可能源于对噪声结构建模的不灵活。
• 观察到假设设计频率越低，FSL和SPM中检测到显著激活的可能性越高，原因在于时间自相关未被完全消除。
• 尽管不完美，AFNI的时间自相关建模优于FSL和SPM，在保持统计有效性及减少假阳性方面表现更优。
• FSL和SPM未能有效去除噪声中相当大一部分的时间自相关性，尤其在低设计频率假设下。
• 本研究建议，FSL和SPM可通过采用类似AFNI的噪声模型来改进其自相关建模，以更好地捕捉时间依赖性。