返回
Efficient Super-Resolution Bayesian Eletromagnetic Brain Imaging
DOI:10.1109/TBME.2025.3599153.png)
摘要
En 中文
超高分辨率电磁源成像面临重大挑战,需要从有限的传感器数据中估计数千个复杂脑活动参数。稀疏贝叶斯学习相比传统方法在重建复杂源方面具有更强的鲁棒性。然而,现有的超高分辨率脑成像贝叶斯方法存在以下问题:1) 由于大量超参数和迭代导致计算效率低下;2) 依赖任意阈值来确定活动脑源。本文介绍了一种稳健且高效的贝叶斯方法,用于超高分辨率重建脑源和噪声。我们的方法在优化过程中整合了超参数剪枝,通过动态移除接近零的超参数来加速收敛。该剪枝策略同时提高了计算效率,并确定了脑源活动的稀疏比率,消除了对任意阈值的依赖。与现有基准重建算法(如波束形成器、sLORETA等)相比,我们的算法在模拟和真实数据中,成功在超高分辨率下重建了复杂的脑源和噪声活动,在统计意义上具有显著的重建精度和运行效率,且适用于高斯噪声和真实世界噪声条件。重要的是,我们的算法能够高效重建复杂脑活动,即使在真实MEG数据的有限试验中,也能解析出明确且功能相关的脑区,与基准方法相比,性能在统计意义上显著提升。这些结果证明了超高分辨率电磁脑成像的可行性、准确性和可靠性。
Keyword:
Inverse methods
super-resolution
electromagnetic source imaging
sparse Bayesian learning
hyper-parameters pruning
MEG/EEG

