Geometry-Aware Harmonization for Brain Connectivity
Covariance matrices, which are symmetric positive definite (SPD) and lie on a Riemannian manifold, are widely used in neuroimaging to quantify brain connectivity. In large-scale multi-site studies, data often exhibit systematic variability due to differences in scanner hardware, acquisition protocols, and technical settings, resulting in site effects that can bias group analyses and reduce predictive performance. While many harmonization methods have been proposed, most operate in Euclidean space and fail to account for the intrinsic geometry of SPD matrices. We propose a geometry-aware harmonization method that overcomes these limitations and improves the quality and interpretability of harmonized brain connectivity data.
Harmonisation tenant compte de la géométrie pour la connectivité cérébrale
Les matrices de covariance, qui sont symétriques définies positives (SPD) et se situent sur une variété riemannienne, sont largement utilisées en neuroimagerie pour quantifier la connectivité cérébrale. Dans les études multi-sites à grande échelle, les données présentent souvent une variabilité systématique due aux différences entre les scanners, les protocoles d'acquisition et les paramètres techniques, ce qui entraîne des effets de site pouvant biaiser les analyses de groupe et réduire la performance prédictive. Bien que de nombreuses méthodes d'harmonisation aient été proposées, la plupart fonctionnent dans l'espace euclidien et ne tiennent pas compte de la géométrie intrinsèque des matrices SPD. Nous proposons une méthode d'harmonisation tenant compte de la géométrie qui surmonte ces limites et améliore la qualité et l'interprétabilité des données harmonisées sur la connectivité cérébrale.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais