確率的TFCE：統計力を高めるためのクラスターサイズとボクセル強度の一般化された組み合わせ

しきい値のないクラスター強化（TFCE）アプローチは、クラスター情報をボクセルごとの統計的推論に統合して、ニューロイメージング信号の検出可能性を高めます。感度が大幅に増加しているにもかかわらず、TFCEの適用はいくつかの要因によって制限されます。（i）脳ネットワーク接続データのようなデータ構造への一般化は些細なものではありません（ii）TFCE値は任意の単位です。したがって、p値はできます。計算的に要求される順列テストによってのみ取得されます。ここでは、TFCE（PTFCE）の確率的アプローチを紹介します。これは、トポロジベースの信念ブーストのための簡単な一般的なフレームワークを提供します。PTFCEのコアは、ボクセル強度の確率と測定されたクラスターサイズのしきい値ごとの尤度関数から、ベイズのルールに基づいて計算される条件付き確率です。この論文では、ガウスランダムフィールド理論に基づいてこれらの分布の推定を提供します。条件付き確率は、新しい増分集約法によってクラスター形成のしきい値を越えて集約されます。PTFCEは、シミュレートされた実際のfMRIデータで検証されています。結果は、PTFCEがさまざまなグラウンドトゥルースの形状に対してより堅牢であり、TFCEよりも「漏れ」をより厳しく制御することを示唆しており、多くの現実的なケースでは、その感度をさらに向上させます。複数の比較の修正は、順列テストを必要とせずに、強化されたp値で簡単に実行できます。したがって、PTFCEは、ニューロイメージングワークフローにおける統計的推論の改善に適しています。PTFCEの実装は、https：//spisakt.github.io/ptfceで入手できます。

The threshold-free cluster enhancement (TFCE) approach integrates cluster information into voxel-wise statistical inference to enhance detectability of neuroimaging signal. Despite the significantly increased sensitivity, the application of TFCE is limited by several factors: (i) generalisation to data structures, like brain network connectivity data is not trivial, (ii) TFCE values are in an arbitrary unit, therefore, P-values can only be obtained by a computationally demanding permutation-test. Here, we introduce a probabilistic approach for TFCE (pTFCE), that gives a simple general framework for topology-based belief boosting. The core of pTFCE is a conditional probability, calculated based on Bayes' rule, from the probability of voxel intensity and the threshold-wise likelihood function of the measured cluster size. In this paper, we provide an estimation of these distributions based on Gaussian Random Field theory. The conditional probabilities are then aggregated across cluster-forming thresholds by a novel incremental aggregation method. pTFCE is validated on simulated and real fMRI data. The results suggest that pTFCE is more robust to various ground truth shapes and provides a stricter control over cluster "leaking" than TFCE and, in many realistic cases, further improves its sensitivity. Correction for multiple comparisons can be trivially performed on the enhanced P-values, without the need for permutation testing, thus pTFCE is well-suitable for the improvement of statistical inference in any neuroimaging workflow. Implementation of pTFCE is available at https://spisakt.github.io/pTFCE.