چکیده
نسبت سیگنال به نویز، یا نسبت میان سیگنال و نویز، کمیتی است که برای دادههای MRI در نظر گرفته شده است، اما در مورد دادههای fMRI، هم چنان موضوع بحث مداوم و سردرگمی است. دادههای fMRI با نوسانات فعال سازی جزئی در پس زمینه نویز مشخص می شوند. بسته به نحوه شناسایی سیگنال مورد نظر و نویز، نسبت سیگنال به نویز دادههای fMRI با استفاده از تعاریف مختلف گزارش می شود. از آنجایی که هر تعریف مقیاس متفاوتی دارد، تفسیر و مقایسه مقادیر نسبت سیگنال به نویز مربوط به دادههای fMRI یک کار بسیار چالش برانگیز است. در این مقاله، مروری بر تعاریف موجود ارائه شده است. علاوه بر این، ارتباط با قدرت تشخیص فعالسازی مورد بررسی قرار گرفته است. جداول مرجع و فرمولهای تبدیل برای تسهیل قابلیت مقایسه بین مطالعات fMRI ارائه شده اند.
Abstract
Signal-to-noise ratio, the ratio between signal and noise, is a quantity that has been well established for MRI data but is still subject of ongoing debate and confusion when it comes to fMRI data. fMRI data are characterised by small activation fluctuations in a background of noise. Depending on how the signal of interest and the noise are identified, signal-to-noise ratio for fMRI data is reported by using many different definitions. Since each definition comes with a different scale, interpreting and comparing signal-to-noise ratio values for fMRI data can be a very challenging job. In this paper, we provide an overview of existing definitions. Further, the relationship with activation detection power is investigated. Reference tables and conversion formulae are provided to facilitate comparability between fMRI studies.
چکیده
مقدمه
روشها
مطالعه شبیه سازی
اکتساب داده ها
نتایج
مقادیر SNR گزارش شده در ادبیات
تعاریف SNR و CNR مربوط به داده های fMRI
نظرات مربوط به تعاریف
مقایسه مقادیر SNR و CNR
شباهت های تحلیلی
ارتباط با قدرت تشخیص
مثال داده های واقعی
بحث و بررسی
نتیجه
Abstract
Introduction
Methods
Simulation study
Data acquisition
Results
Reported SNR values in the literature
SNR and CNR definitions for fMRI data
Comments on the definitions
Comparing the SNR and CNR values
Analytic similarities
The relationship with detection power
Real data example
Discussion
Conclusion