独立成分分析（ICA）在静息态功能连接中的应用

Pruim, R. H., Mennes, M., van Rooij, D., Llera, A., Buitelaar, J. K., & Beckmann, C. F. (2015). ICA-AROMA: A robust ICA-based strategy for removing motion artifacts from fMRI data. Neuroimage, 112, 267-277.
ICA-AROMA：一种去除fMRI运动伪迹的鲁棒ICA策略

Birn, R. M., Murphy, K., & Bandettini, P. A. (2008). The effect of respiration variations on independent component analysis results of resting state functional connectivity. Human brain mapping, 29(7), 740-750.
呼吸变量对静息态功能连接的ICA结果的影响
摘要：fMRI功能连接分析会受到心跳和呼吸的严重影响。虽然这些信号伪迹中的一些可以通过生理噪声校正程序来减少，但是那些因呼吸深度和速率改变所引起的更为缓慢的信号波动通常不会被消除。这些缓慢的呼吸引起的信号变化发生在低频率和类似于用于推断功能连接的波动的空间位置，并显著影响了seed-ROI或seed-voxel based功能连接分析，特别是在默认模式网络中。在本研究中，我们研究了呼吸变化对静息状态下ICA导出的功能连通图的影响。把在词汇决策任务中不激活的区域作为默认模式网络。独立测量呼吸的变化并与MRI时间序列数据相关联。在大多数情况下，ICA将默认模式网络与呼吸相关的变化分开。但是，在某些情况下，被自动识别为默认模式网络的成分与被识别为呼吸相关的成分相同。此外，多数情况下，与默认模式网络成分相关的时间序列仍然与每次呼吸量的变化显著相关，这表明当前的ICA方法可能无法将呼吸带来的变化与默认模式网络完全分离。对呼吸的单独测量可以为区分默认模式网络与呼吸相关的信号变化，以及评估排除呼吸效应后的结果提供有益信息。

Parkes, L., Fulcher, B., Yücel, M., & Fornito, A. (2018). An evaluation of the efficacy, reliability, and sensitivity of motion correction strategies for resting-state functional MRI. Neuroimage, 171, 415-436.
静息态fMRI的运动校正方法的比较
Censoring和ICA-AROMA的表现普遍最优

Pruim, R. H., Mennes, M., Buitelaar, J. K., & Beckmann, C. F. (2015). Evaluation of ICA-AROMA and alternative strategies for motion artifact removal in resting state fMRI. Neuroimage, 112, 278-287.
对ICA-AROMA以及其它一些运动校正方法的评估
主要是讲ICA-AROMA如何好

Song, X., & Wyrwicz, A. M. (2009). Unsupervised spatiotemporal fMRI data analysis using support vector machines. NeuroImage, 47(1), 204-212.
无监督的fMRI支持向量机激活探测
逻辑是：激活区的比例要小于非激活区。按照这一指标使用支持向量机方法将激活区与非激活区分离开。

Shirer, W. R., Jiang, H., Price, C. M., Ng, B., & Greicius, M. D. (2015). Optimization of rs-fMRI pre-processing for enhanced signal-noise separation, test-retest reliability, and group discrimination. Neuroimage, 117, 67-79.
最优化静息态fMRI的预处理过程，提高信噪比，重测信度和组间差异

Cox, R. W., Chen, G., Glen, D. R., Reynolds, R. C., & Taylor, P. A. (2017). FMRI clustering in AFNI: false-positive rates redux. Brain connectivity, 7(3), 152-171.
AFNI在分析fMRI数据中表现出了假阳性偏高的问题

global signal regression（全脑信号回归）在SPM中被作为预处理的一个步骤，会引起ROI-based的功能连接分析中出现负激活的相关，也就是默认网络在任务态中出现负激活的统计原因。在GLM中回归掉global signal regression（也就是全脑所有体素的时间序列的平均值）会使得所有其它脑区与所选seed之间的相关变为以零为平均值的钟形分布。

Caballero-Gaudes, C., & Reynolds, R. C. (2017). Methods for cleaning the BOLD fMRI signal. Neuroimage, 154, 128-149.
fMRI数据清洗的一些方法
包括对global signal regression（全脑信号回归）的一些替代方法

Power, J. D., Schlaggar, B. L., & Petersen, S. E. (2015). Recent progress and outstanding issues in motion correction in resting state fMRI. Neuroimage, 105, 536-551.
2011年至2015年间有关静息态fMRI运动校正的有关发展

Eklund, A., Nichols, T. E., & Knutsson, H. (2016). Cluster failure: Why fMRI inferences for spatial extent have inflated false-positive rates. Proceedings of the national academy of sciences, 113(28), 7900-7905.
为什么fMRI实验的假阳性率那么高？
常用的fMRI数据分析软件如：SPM， FSL， AFNI表现出了高达70%的假阳性率
被引用了1600+次

Eklund, A., Nichols, T., Andersson, M., & Knutsson, H. (2015, April). Empirically investigating the statistical validity of SPM, FSL and AFNI for single subject fMRI analysis. In 2015 IEEE 12th International Symposium on Biomedical Imaging (ISBI) (pp. 1376-1380). IEEE.
SPM，FSL和AFNI在单被试fMRI分析中的统计效度表明三种软件都表现出了偏高的假阳性率
SPM主要是噪声模型过于简单，而FSL对空间平滑度估计不足。

Eklund, A., Nichols, T., & Knutsson, H. (2015). Can parametric statistical methods be trusted for fMRI based group studies?. arXiv preprint arXiv:1511.01863.
参数统计方法在fMRI组间比较中的可行性？
前提假设较少的非参数统计（比如置换检验permutation test）表现出更好的cluster inference结果。空间自相关函数不遵循假设的高斯形状是造成参数检验方法结果不好的原因。

Razi, A., Kahan, J., Rees, G., & Friston, K. J. (2015). Construct validation of a DCM for resting state fMRI. Neuroimage, 106, 1-14.
静息态fMRI的动态因果模型（DCM）的构建效度

Lv, J., Jiang, X., Li, X., Zhu, D., Chen, H., Zhang, T., … & Zhang, J. (2015). Sparse representation of whole-brain fMRI signals for identification of functional networks. Medical image analysis, 20(1), 112-134.
用于识别功能网络的全脑fMRI信号的稀疏表示

Zhang, Z., Xu, Y., Yang, J., Li, X., & Zhang, D. (2015). A survey of sparse representation: algorithms and applications. IEEE access, 3, 490-530.
稀疏信号表示研究：算法和应用

Iqbal, A., & Seghouane, A. K. (2018). A dictionary learning algorithm for multi-subject fMRI analysis based on a hybrid concatenation scheme. Digital Signal Processing, 83, 249-260.
基于混合(时间和空间)级联方案和稀疏编码的字典学习（dictionary learning）方法，用来分析多被试的fMRI数据

Walther, A., Nili, H., Ejaz, N., Alink, A., Kriegeskorte, N., & Diedrichsen, J. (2016). Reliability of dissimilarity measures for multi-voxel pattern analysis. Neuroimage, 137, 188-200.
多体素模式分析

Friman, O., Borga, M., Lundberg, P., & Knutsson, H. (2003). Adaptive analysis of fMRI data. NeuroImage, 19(3), 837-845.
基于PCA和CCA（canonical correlation analysis）的fMRI自适应分析

Jin, M., Nandy, R., Curran, T., & Cordes, D. (2012). Extending local canonical correlation analysis to handle general linear contrasts for fMRI data. Journal of Biomedical Imaging, 2012, 4.
用扩展的局部CCA来做fMRI的一般线性对比

Kahnt, T., Chang, L. J., Park, S. Q., Heinzle, J., & Haynes, J. D. (2012). Connectivity-based parcellation of the human orbitofrontal cortex. Journal of Neuroscience, 32(18), 6240-6250.
基于连接的方式对人类的orbitofrontal皮层进行分割
通过无监督学习的方式在静息态的fMRI中实现。

Wang, L., Liu, Q., Li, H., & Hu, D. (2012, October). Functional connectivity-based parcellation of human medial frontal cortex via maximum margin clustering. In International Conference on Intelligent Science and Intelligent Data Engineering (pp. 306-312). Springer, Berlin, Heidelberg.
用最大间隔聚类的方法maximum margin clustering (MMC)划分人类的内侧前额叶
人脑内侧前额叶可以被划分为前（anterior）和后（posterior）两个部分，分别为前辅助运动皮层和辅助运动皮层的同源物。前者与认知有关的脑区有联系，而后者与运动相关脑区联系。

Hyvarinen, A. (1999). Fast and robust fixed-point algorithms for independent component analysis. IEEE transactions on Neural Networks, 10(3), 626-634.
用于独立组件分析的快速鲁棒定点算法
一篇引用量6600+的ICA文章，1999年的

Haq, N. F., Tan, S. N., McKeown, M. J., & Wang, Z. J. (2019). Parcellation of functional sub-regions from fMRI: A graph clustering based approach. Biomedical Signal Processing and Control, 49, 181-191.
基于图论聚类方法划分壳核的不同区域
还没有人引用过，是19年的文章。
“壳核的不同子区与其他大脑区域具有不同的连接模式。对于这项工作，我们考虑了三个参考区域：感觉运动区域（SMA），眶额回（OF）和扣带回（CG），因为据报道它们与壳核子区域的连接模式有显着差异。SMA往往与DLS具有强连接性，与DMS的连接性较弱，而OF和CG皮质与DMS的连接性较强，与DLS的连接较弱。”

Shen, X., Papademetris, X., & Constable, R. T. (2010). Graph-theory based parcellation of functional subunits in the brain from resting-state fMRI data. Neuroimage, 50(3), 1027-1035.
在静息态fMRI中利用图论区分功能子区
归一化切割和模块化检测算法（the normalized cut (Ncut) and the modularity detection algorithm），对比高斯混合模型（Gaussian mixture model (GMM) approach）。Ncut的效果最好。

Shen, X., Tokoglu, F., Papademetris, X., & Constable, R. T. (2013). Groupwise whole-brain parcellation from resting-state fMRI data for network node identification. Neuroimage, 82, 403-415.
与上一篇同一个第一作者，是上一篇研究的进一步发展
用静息态fMRI数据进行全脑的脑区分割，得到的脑区可以与SPM对接，可以用在网络分析中作为节点。

Thirion, B., Varoquaux, G., Dohmatob, E., & Poline, J. B. (2014). Which fMRI clustering gives good brain parcellations?. Frontiers in neuroscience, 8, 167.
Ward, spectral and k-means clustering algorithms
其中Ward方法的可重复性和正确率最好

Wang, J., Wang, L., Zang, Y., Yang, H., Tang, H., Gong, Q., … & He, Y. (2009). Parcellation‐dependent small‐world brain functional networks: A resting‐state fMRI study. Human brain mapping, 30(5), 1511-1523.
依赖于脑区划分不同小世界脑功能网络也有所不同

Wang, L., Gao, Y., Shi, F., Li, G., Gilmore, J. H., Lin, W., & Shen, D. (2015). LINKS: Learning-based multi-source IntegratioN frameworK for Segmentation of infant brain images. NeuroImage, 108, 160-172.
MICCAI 获奖作品，能够较快对婴儿的脑T1图像进行分割

Moeskops, P., Viergever, M. A., Mendrik, A. M., de Vries, L. S., Benders, M. J., & Išgum, I. (2016). Automatic segmentation of MR brain images with a convolutional neural network. IEEE transactions on medical imaging, 35(5), 1252-1261.
利用卷积神经网络对MR脑图像进行自动分割