ABIDE|自闭症数据集|神经科学数据集

ABIDE数据集是由埃因霍温理工大学等机构创建的，用于研究自闭症谱系障碍（ASD）与健康对照组之间的功能磁共振成像（fMRI）差异。该数据集包含900名个体的fMRI数据，经过预处理并使用独立成分分析（ICA）进行降维，以识别静息态网络（RSNs）。数据集的创建过程包括严格的数据筛选和预处理步骤，确保信号的完整性和数据的质量。该数据集主要应用于神经科学领域，旨在通过分析ASD患者的脑功能网络，揭示其神经动力学的复杂性，并为ASD的诊断和治疗提供新的见解。

原始信息汇总

groupICAonABIDE 数据集概述

数据集结构

该数据集包含两个主要文件夹：data 和 code。

data 文件夹

• 包含双回归的输出时间序列。
• 包含组独立成分分析（group ICA）的输出成分。
• 包含支持文件。
• 更多信息可在 data 文件夹中的 readMe 文件中找到。

code 文件夹

• 包含用于预处理 ABIDE 的 Matlab 和 Python 代码。
• 更多信息可在 code 文件夹中的 readMe 文件中找到。

软件版本

• Matlab 脚本在 Matlab 2023b 中运行，使用 SPM12。
• FSL 版本 6.0 在 Windows 子系统 for Linux 中运行。

AI搜集汇总

数据集介绍

构建方式

ABIDE数据集的构建基于大规模自闭症fMRI数据，通过独立成分分析（ICA）方法提取静息态网络（RSNs）。研究团队从ABIDE数据库中筛选了900名个体，确保数据具有一致的重复时间（TR），并排除了使用可能影响fMRI结果的药物的个体。数据预处理包括图像配准、切片时间校正、空间归一化、平滑处理以及运动伪影的自动去除（ICA-AROMA），最终通过双回归方法获得个体特定的时空序列。

特点

ABIDE数据集的特点在于其基于ICA的维度降低方法，相较于传统的基于脑图谱的分割，ICA能够根据研究样本的数据特性进行自适应分割，避免了预设空间区域的假设。此外，数据集提供了多种预处理选项，包括不同数量的ICA成分分解，使得研究者可以根据具体需求选择合适的网络进行分析。

使用方法

ABIDE数据集可用于探索自闭症谱系障碍（ASD）与健康对照组之间的神经活动差异。研究者可以通过双回归方法获取个体特定的静息态网络（RSNs），并进行功能连接分析或有效连接分析。数据集还提供了详细的表型信息，支持基于年龄、性别、智商等变量的亚组分析，从而为个性化研究提供了灵活性。

背景与挑战

背景概述

ABIDE（Autism Brain Imaging Data Exchange）数据集是由Eindhoven University of Technology等机构的研究人员创建的，旨在通过功能磁共振成像（fMRI）技术探索自闭症谱系障碍（ASD）与健康对照组之间的神经差异。该数据集的核心研究问题是通过分析静息态网络（RSNs）来识别ASD的神经特征。ABIDE数据集的创建时间为2014年，并随着ABIDE-II的推出进一步扩展。其主要研究人员包括Sjir J.C. Schielen、Jesper Pilmeyer等，数据集的公开为全球研究者提供了大量预处理的数据，极大推动了ASD神经机制的研究。

当前挑战

ABIDE数据集在构建过程中面临多项挑战。首先，数据的选择和预处理需要确保信号的完整性和一致性，例如排除不同重复时间（TR）的扫描数据以避免信号失真。其次，临床异质性问题，如药物使用和共病情况，对fMRI结果的影响需要仔细考虑。此外，运动伪影和扫描质量问题也是数据集构建中的重要挑战，研究人员通过ICA-AROMA等方法来减少运动伪影的影响。最后，尽管ABIDE提供了丰富的预处理数据，但其基于组ICA的方法在个体层面的泛化性仍有限，这限制了其在个性化诊断中的应用。

常用场景

经典使用场景

ABIDE数据集的经典使用场景主要集中在自闭症谱系障碍（ASD）与健康对照组之间的功能性磁共振成像（fMRI）数据比较。研究者通过分析静息态网络（RSNs）的差异，探索ASD患者的神经活动模式。具体而言，ABIDE数据集支持基于独立成分分析（ICA）的静息态网络识别，从而揭示ASD患者与健康对照组在脑功能连接上的潜在差异。

衍生相关工作

ABIDE数据集的发布催生了许多相关的经典工作，特别是在自闭症谱系障碍（ASD）的神经影像学研究领域。许多研究者利用ABIDE数据集进行独立成分分析（ICA），以识别静息态网络（RSNs），并探索ASD患者与健康对照组之间的差异。这些研究不仅推动了ASD的神经基础研究，还为功能性连接分析提供了新的方法和工具。

数据集最近研究

最新研究方向

近年来，ABIDE数据集在自闭症谱系障碍（ASD）研究领域中扮演了重要角色，尤其是在功能磁共振成像（fMRI）分析方面。最新研究方向主要集中在通过独立成分分析（ICA）技术对静息态网络（RSNs）的识别与分析，以揭示ASD患者与健康对照组之间的神经活动差异。ICA方法相较于传统的基于脑图谱的分割方式，具有更高的数据驱动性和灵活性，能够更精确地捕捉到个体间的神经活动模式。此外，研究还关注如何通过ICA去除运动伪影，提高数据质量，从而为ASD的诊断和治疗提供更为可靠的神经影像学依据。这一研究方向不仅推动了ASD神经机制的理解，也为个性化医疗和精准诊断提供了新的可能性。

相关研究论文

• ICA-based Resting-State Networks Obtained on Large Autism fMRI Dataset ABIDE

  埃因霍温理工大学 · 2024年