KaydedilenlerDerginizi ekleyin

Dergiler / Mugla Journal of Science and Technology / 2023 / Volume: 9 Issue: 2

FMRI ÇALIŞMALARINDA GEREKLİ ÖRNEK BÜYÜKLÜĞÜNÜN PRATİK BİR TAHMİNİ

A PRACTICAL ESTIMATION OF THE REQUIRED SAMPLE SIZE IN FMRI STUDIES

Cemre Candemir(EGE ÜNİVERSİTESİ)0000-0001-9850-137X
Sayfa
—
Yayın Tarihi
2023-12-31
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu çalışma, güç analizinin nasıl yürütüleceğine ve çeşitli fMRI çalışmaları için örneklem boyutunun nasıl tahmin edileceğine ilişkin adım adım bir kılavuz sağlar.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Fonksiyonel Manyetik Rezonans Görüntüleme (fMRI) çalışmalarında, fMRI verilerindeki değişkenlik, analizin karmaşıklığı ve çoklu karşılaştırmalar için düzeltme ihtiyacı, uygun örneklem büyüklüğünü belirlemeyi zorlaştırır.
📊
Temel Bulgular & Veri:Bunu yapmak için, farklı deneysel görev tasarımlarına sahip işlevsel, duyuşsal, davranışsal ve bilişsel üç veri seti kullanılır.
💡
Sonuç & Katkı:Bu çalışma, güç analizinin nasıl yürütüleceğine ve çeşitli fMRI çalışmaları için örneklem boyutunun nasıl tahmin edileceğine ilişkin adım adım bir kılavuz sağlar.
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Experimental task design · fMRI · number of participants

Özet

Fonksiyonel Manyetik Rezonans Görüntüleme (fMRI) çalışmalarında, fMRI verilerindeki değişkenlik, analizin karmaşıklığı ve çoklu karşılaştırmalar için düzeltme ihtiyacı, uygun örneklem büyüklüğünü belirlemeyi zorlaştırır. Bu nedenle, güç analizi, güvenilir ve istatistiksel olarak anlamlı sonuçlar elde etmek için gereken uygun örneklem büyüklüğünü belirlemek için kullanılan önemli bir araç haline gelir. Bu bağlamda, bu çalışma, bir fMRI çalışması için güç analizi yapma ve örneklem büyüklüğünü tahmin etme sürecini temsil etmeyi amaçlamaktadır. Bunu yapmak için, farklı deneysel görev tasarımlarına sahip işlevsel, duyuşsal, davranışsal ve bilişsel üç veri seti kullanılır. Bu çalışma, güç analizinin nasıl yürütüleceğine ve çeşitli fMRI çalışmaları için örneklem boyutunun nasıl tahmin edileceğine ilişkin adım adım bir kılavuz sağlar.

Abstract

In functional Magnetic Resonance Imaging (fMRI) studies, the variability in fMRI data, the complexity of the analysis, and the need to correct for multiple comparisons make determining the appropriate sample size challenging. Hence, power analysis becomes an important tool to use for determining the appropriate sample size needed to achieve reliable and statistically significant results. In this context, this study aims to represent the process of conducting a power analysis and estimating the sample size for an fMRI study. To do this, three functional, affective, behavioral, and cognitive, data sets having different experimental task designs are used. This study provides a step-by-step guide on how to conduct a power analysis and estimate the sample size for various fMRI studies.

🔖

Bu Makaleye Atıf Yap

Candemir, C. (2023). FMRI ÇALIŞMALARINDA GEREKLİ ÖRNEK BÜYÜKLÜĞÜNÜN PRATİK BİR TAHMİNİ. Mugla Journal of Science and Technology, Volume: 9 Issue: 2. https://doi.org/10.22531/muglajsci.1282492

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (24)

  1. H. Aerts et al., “Pre- and post-surgery brain tumor multimodal magnetic resonance imaging data optimized for large scale computational modelling,” Sci. Data, vol. 9, no. 1, Art. no. 1, Nov. 2022, doi: 10.1038/s41597-022-01806-4.
  2. S. Ogawa, T. M. Lee, A. R. Kay, and D. W. Tank, “Brain magnetic resonance imaging with contrast dependent on blood oxygenation.,” Proc. Natl. Acad. Sci. U. S. A., vol. 87, no. 24, pp. 9868–9872, Dec. 1990.
  3. R. T. Constable, “Challenges in fMRI and Its Limitations,” in Functional MRI: Basic Principles and Clinical Applications, S. H. Faro and F. B. Mohamed, Eds., New York, NY: Springer, 2006, pp. 75–98. doi: 10.1007/0-387-34665-1_4.
  4. P. Lafaye de Micheaux, B. Liquet, S. Marque, and J. Riou, “Power and sample size determination in clinical trials with multiple primary continuous correlated endpoints,” J. Biopharm. Stat., vol. 24, no. 2, pp. 378–397, 2014, doi: 10.1080/10543406.2013.860156.
  5. J. Durnez et al., “Power and sample size calculations for fMRI studies based on the prevalence of active peaks.” bioRxiv, p. 049429, Apr. 20, 2016. doi: 10.1101/049429.
  6. J. A. Mumford, “A power calculation guide for fMRI studies,” Soc. Cogn. Affect. Neurosci., vol. 7, no. 6, pp. 738–742, Aug. 2012, doi: 10.1093/scan/nss059.
  7. K. S. Button et al., “Power failure: why small sample size undermines the reliability of neuroscience,” Nat. Rev. Neurosci., vol. 14, no. 5, Art. no. 5, May 2013, doi: 10.1038/nrn3475.
  8. E. Vul and H. Pashler, “Voodoo and circularity errors,” NeuroImage, vol. 62, no. 2, pp. 945–948, Aug. 2012, doi: 10.1016/j.neuroimage.2012.01.027.
  9. T. Yarkoni, “Big Correlations in Little Studies: Inflated fMRI Correlations Reflect Low Statistical Power-Commentary on Vul et al. (2009),” Perspect. Psychol. Sci. J. Assoc. Psychol. Sci., vol. 4, no. 3, pp. 294–298, May 2009, doi: 10.1111/j.1745-6924.2009.01127.x.
  10. R. A. Poldrack, P. C. Fletcher, R. N. Henson, K. J. Worsley, M. Brett, and T. E. Nichols, “Guidelines for reporting an fMRI study,” NeuroImage, vol. 40, no. 2, pp. 409–414, Apr. 2008, doi: 10.1016/j.neuroimage.2007.11.048.
  11. B. Thirion, P. Pinel, S. Mériaux, A. Roche, S. Dehaene, and J.-B. Poline, “Analysis of a large fMRI cohort: Statistical and methodological issues for group analyses,” NeuroImage, vol. 35, no. 1, pp. 105–120, Mar. 2007, doi: 10.1016/j.neuroimage.2006.11.054.
  12. C. Pernet and J.-B. Poline, “Improving functional magnetic resonance imaging reproducibility,” GigaScience, vol. 4, p. 15, Dec. 2015, doi: 10.1186/s13742-015-0055-8.
  13. Q. Guo, L. Thabane, G. Hall, M. McKinnon, R. Goeree, and E. Pullenayegum, “A systematic review of the reporting of sample size calculations and corresponding data components in observational functional magnetic resonance imaging studies,” NeuroImage, vol. 86, pp. 172–181, Feb. 2014, doi: 10.1016/j.neuroimage.2013.08.012.
  14. D. Szucs and J. PA. Ioannidis, “Sample size evolution in neuroimaging research: An evaluation of highly-cited studies (1990–2012) and of latest practices (2017–2018) in high-impact journals,” NeuroImage, vol. 221, p. 117164, Nov. 2020, doi: 10.1016/j.neuroimage.2020.117164.
  15. H. R. Cremers, T. D. Wager, and T. Yarkoni, “The relation between statistical power and inference in fMRI,” PLOS ONE, vol. 12, no. 11, p. e0184923, Nov. 2017, doi: 10.1371/journal.pone.0184923.
  16. “Stata Programs for Data Analysis.” https://stats.oarc.ucla.edu/stata/ado/analysis/ (accessed Apr. 11, 2023).
  17. O. T. Bişkin, C. Candemir, A. S. Gonul, and M. A. Selver, “Diverse Task Classification from Activation Patterns of Functional Neuro-Images Using Feature Fusion Module,” Sensors, vol. 23, no. 7, Art. no. 7, Jan. 2023, doi: 10.3390/s23073382.
  18. J. Ashburner, “SPM: A history,” NeuroImage, vol. 62, no. 2, pp. 791–800, Aug. 2012, doi: 10.1016/j.neuroimage.2011.10.025.
  19. “NeuroPower | NeuroPowerTools.” http://neuropowertools.org/neuropower/neuropowerstart/ (accessed Apr. 11, 2023).
  20. K. J. Worsley, “Developments in random field theory,” in Human Brain Function, R. S. J. Frackowiak, K. J. Friston, C. Frith, R. Dolan, K. J. Friston, C. J. Price, S. Zeki, J. Ashburner, and W. D. Penny, Eds., 2nd ed.Academic Press, 2003.
  21. W. Haynes, “Benjamini–Hochberg Method,” in Encyclopedia of Systems Biology, W. Dubitzky, O. Wolkenhauer, K.-H. Cho, and H. Yokota, Eds., New York, NY: Springer, 2013, pp. 78–78. doi: 10.1007/978-1-4419-9863-7_1215.
  22. B. Walsh, “Multiple comparisons,” Cornell University, 2004.
  23. H. Naouma and T. C. Pataky, “A comparison of random-field-theory and false-discovery-rate inference results in the analysis of registered one-dimensional biomechanical datasets,” PeerJ, vol. 7, p. e8189, Dec. 2019, doi: 10.7717/peerj.8189.
  24. R. A. Poldrack et al., “Scanning the horizon: towards transparent and reproducible neuroimaging research,” Nat. Rev. Neurosci., vol. 18, no. 2, pp. 115–126, Feb. 2017, doi: 10.1038/nrn.2016.167.