Tensor Basis Strategies for fMRI: Fast and Scalable MCMC Methods
Task-evoked functional magnetic resonance imaging (fMRI) studies play a key role in mapping brain activation patterns, but their analysis within a Bayesian framework presents computational and methodological challenges due to high-dimensional, spatially and temporally correlated data. We propose a Bayesian function-on-scalar model to estimate population-level activation maps for working memory tasks. At the subject level, a composite basis strategy integrates spatial dependencies across voxels and distant regions of interest while accounting for long-memory temporal correlation. At the population level, a canonical polyadic (CP) tensor decomposition is employed to extract shared and subject-specific spatial features, allowing for a structured representation of activation patterns. This hierarchical approach enables computationally scalable posterior inference via MCMC and reveals distinct activation signatures associated with working memory tasks.
Stratégies de bases tensorielles pour l'IRMf : méthodes MCMC rapides et extensibles
Les études d'imagerie par résonance magnétique fonctionnelle (IRMf) déclenchées par une tâche jouent un rôle clé dans la cartographie des schémas d'activation cérébrale, mais leur analyse dans un cadre bayésien présente des défis informatiques et méthodologiques en raison des données à haute dimension, corrélées dans l'espace et dans le temps. Nous proposons un modèle bayésien fonction-sur-scalaire pour estimer les cartes d'activation au niveau de la population pour les tâches de mémoire de travail. Au niveau du sujet, une stratégie de base composite intègre les dépendances spatiales entre les voxels et les régions d'intérêt éloignées tout en tenant compte de la corrélation temporelle de la mémoire à long terme. Au niveau de la population, une décomposition tensorielle polyadique canonique (PC) est employée pour extraire les caractéristiques spatiales partagées et spécifiques au sujet, ce qui permet une représentation structurée des modèles d'activation. Cette approche hiérarchique permet une inférence postérieure extensible calculable via MCMC et révèle des signatures d'activation distinctes associées à des tâches de mémoire de travail.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais