Key points are not available for this paper at this time.
कार्य-आधारित कार्यात्मक चुम्बकीय अनुनाद Imaging (fMRI) में, शोधकर्ता दिए गए कार्य या स्थिति से संबंधित fMRI सिग्नलों को मापने की कोशिश करते हैं। कई परिस्थितियों में, इस रुचि के सिग्नल को मापना शोर द्वारा सीमित होता है। इस अध्ययन में, हम GLMdenoise पेश करते हैं, एक तकनीक जो शोर-सिग्नल अनुपात (SNR) में सुधार करती है, जो कि शोर रिग्रेसर्स को fMRI डेटा के सामान्य रैखिक मॉडल (GLM) विश्लेषण में शामिल करके किया जाता है। शोर रिग्रेसर्स को प्रारंभिक मॉडल फ़िट कर के प्राप्त किया जाता है जिससे प्रयोगात्मक पैरेडाइम से अव्यक्त वॉक्सल का निर्धारण किया जा सके, इन वॉक्सल के समय-श्रृंखला पर मुख्य घटक विश्लेषण (PCA) प्रदर्शन करके, और शोर रिग्रेसर्स के रूप में उपयोग करने के लिए मुख्य घटकों की संख्या का चयन करने के लिए क्रॉस-मान्यता का उपयोग करके। डेटा पुनः-सैंपलिंग के उपयोग के कारण, GLMdenoise को कई रनों (जहां स्थितियां रनों में दोहराई जाती हैं) वाले डेटा सेट के लिए सबसे उपयुक्त माना जाता है। हम दिखाते हैं कि GLMdenoise विभिन्न ईवेंट-संबंधित प्रयोगात्मक डेटा सेट्स पर GLM अनुमान के क्रॉस-मान्यता की सटीकता को निरंतर रूप से सुधारता है और SNR में महत्वपूर्ण लाभों के साथ आता है। विधियों के व्यावहारिक अनुप्रयोग को बढ़ावा देने के लिए, हम GLMdenoise लागू करने के लिए MATLAB कोड प्रदान करते हैं। इसके अलावा, GLMdenoise की तुलना अन्य डिनोइज़िंग विधियों से करने में मदद करने के लिए, हम Denoise Benchmark (DNB) प्रस्तुत करते हैं, जो डिनोइज़िंग विधियों के मूल्यांकन के लिए एक सार्वजनिक डेटाबेस और आर्किटेक्चर है। DNB में इस पेपर में वर्णित डेटा सेट, एक कोड ढांचा है जो एक डिनोइज़िंग विधि का स्वचालित मूल्यांकन सक्षम करता है, और कई डिनोइज़िंग विधियों के कार्यान्वयन शामिल हैं, जिसमें GLMdenoise, शोर रिग्रेसर्स के रूप में गति मापदंडों का उपयोग, ICA-आधारित डिनोइज़िंग, और RETROICOR/RVHRCOR शामिल हैं। DNB का उपयोग करते हुए, हम पाते हैं कि GLMdenoise उन सभी डिनोइज़िंग विधियों में सबसे अच्छा प्रदर्शन करता है जिनका हमने परीक्षण किया।
के.ए.यु. एट अल. (मंगल,) ने इस प्रश्न का अध्ययन किया।