自動深度の重み付けによる階層的なベイジアンアルゴリズムを介したMEGデータからの脳活動マッピング

階層的なベイジアンモデルの計算効率の高いKrylovサブスペース線形溶液との結合に基づいて、最近提案された繰り返しの交互のシーケンシャル（IAS）Meg逆ソルバーアルゴリズムは、表面的および濃い脳源の両方でうまく機能することが示されています。ただし、アクティブな脳領域を正しく識別する能力の体系的な研究はまだ欠落しています。特に、アクティブな脳領域を識別する際の精度と精度に焦点を当てて、MEG逆ソルバーのパフォーマンスを定量化するための新しい統計プロトコルを提案します。これらのプロトコルを使用して、IAS Meg逆ソルバーのパフォーマンスに関する体系的な研究で、WMNE、DSPM、およびSloretaの3つの標準的な反転法と比較します。特定のアルゴリズムに対する逸話テストのバイアスを回避するために、提案されたプロトコルはモンテカルロサンプリングベースであり、特定のアトラスで特定された各脳領域で活動パッチのアンサンブルを生成します。アクティブな領域を正しく識別するパフォーマンスは、平均して再構築された活動がシミュレートされたアクティブパッチの脳領域に集中している量によって測定されます。分析はベイズ因子に基づいており、推定された電流活動を、誤った帰属の仮説に対して、アクティブ脳領域が正しく特定されているという仮説をテストするためのデータとして解釈します。方法論により、アクティブ領域の数がわかっていると仮定することなく、単一または複数の同時アクティビティ領域の存在が可能になります。テストプロトコルは、IASソルバーが皮質および皮質下の活動の推定で両方でうまく機能することを示唆しています。

A recently proposed iterated alternating sequential (IAS) MEG inverse solver algorithm, based on the coupling of a hierarchical Bayesian model with computationally efficient Krylov subspace linear solver, has been shown to perform well for both superficial and deep brain sources. However, a systematic study of its ability to correctly identify active brain regions is still missing. We propose novel statistical protocols to quantify the performance of MEG inverse solvers, focusing in particular on how their accuracy and precision at identifying active brain regions. We use these protocols for a systematic study of the performance of the IAS MEG inverse solver, comparing it with three standard inversion methods, wMNE, dSPM, and sLORETA. To avoid the bias of anecdotal tests towards a particular algorithm, the proposed protocols are Monte Carlo sampling based, generating an ensemble of activity patches in each brain region identified in a given atlas. The performance in correctly identifying the active areas is measured by how much, on average, the reconstructed activity is concentrated in the brain region of the simulated active patch. The analysis is based on Bayes factors, interpreting the estimated current activity as data for testing the hypothesis that the active brain region is correctly identified, versus the hypothesis of any erroneous attribution. The methodology allows the presence of a single or several simultaneous activity regions, without assuming that the number of active regions is known. The testing protocols suggest that the IAS solver performs well with both with cortical and subcortical activity estimation.