基于群体分布性独立成分分析的弥散张量成像多被试数据分解方法及其在脑白质结构网络识别中的应用

来自多机构的研究团队针对多被试弥散张量成像（DTI）数据缺乏有效盲源分离方法的问题，开发了群体分布性独立成分分析（G-DICA）新方法。该方法通过分离观测数据分布函数中的参数，成功识别出对应主要白质纤维束的结构网络。仿真与实证研究均表明G-DICA较现有方法具有更优的性能和可重复性，为脑结构组织研究提供了重要工具。

　　

弥散张量成像（DTI）作为常用成像模态，为探究人脑白质纤维连接提供了重要手段。该技术能够有效表征大脑结构组织特征，其分析通常涉及维度缩减、噪声抑制和底层结构网络提取等目标。虽然盲源分离方法在其他影像模态中已实现这些目标，但针对多被试DTI数据的研究仍十分有限。由于DTI测量的三维扩散张量具有特殊属性，传统独立成分分析（ICA）等方法无法直接适用。

为此，研究者提出群体分布性独立成分分析（G-DICA）方法，该方法代表了一种根本性的创新思路——通过分离观测影像数据分布函数中的参数来实现独立源信号的分解。应用G-DICA对多被试DTI数据进行分解，成功揭示了对应于大脑中多个主要白质纤维束的结构网络。通过仿真研究和实际数据验证，G-DICA方法展现出优于现有方法的性能表现和更高的可重复性。