Recently, there has been an explosive growth in graphical modeling approaches for estimating brain functional networks. In a detailed study, we show that surprisingly, standard graphical modeling approaches for fMRI data may not yield accurate estimates of the brain network due to the inability to suitably account for temporal correlations. We propose a novel Bayesian matrix normal graphical model that jointly models the temporal covariance and the brain network under a separable structure for the covariance to obtain improved estimates. The approach is implemented via an efficient optimization algorithm that computes the maximum-a-posteriori network estimates having desirable theoretical properties and which is scalable to high dimensions. The proposed method leads to substantial gains in network estimation accuracy compared to standard brain network modeling approaches as illustrated via extensive simulations. We apply the method to resting state fMRI data from the Human Connectome Project (HCP) involving a large number of time scans and brain regions, to study the relationships between fluid intelligence and functional connectivity, where it is not computationally feasible to apply existing matrix normal graphical models. Our proposed approach led to the detection of differences in connectivity between high and low fluid intelligence groups, whereas these differences were less pronounced or absent using the graphical lasso. This article is protected by copyright. All rights reserved.

中文翻译：

---

用于脑功能网络的可扩展贝叶斯矩阵正态图模型

最近，用于估计大脑功能网络的图形建模方法呈爆炸式增长。在一项详细的研究中，我们发现令人惊讶的是，由于无法适当考虑时间相关性，fMRI 数据的标准图形建模方法可能无法准确估计大脑网络。我们提出了一种新的贝叶斯矩阵正态图模型，该模型在协方差的可分离结构下联合对时间协方差和大脑网络进行建模，以获得改进的估计。该方法是通过有效的优化算法实现的，该算法计算具有理想理论特性并且可扩展到高维的最大后验网络估计。与标准脑网络建模方法相比，所提出的方法可显着提高网络估计精度，如通过广泛的模拟所示。我们将该方法应用于来自人类连接组计划 (HCP) 的静息状态 fMRI 数据，涉及大量时间扫描和大脑区域，以研究流体智力与功能连接之间的关系，其中应用现有矩阵正态在计算上不可行图形模型。我们提出的方法导致检测高流体智力组和低流体智力组之间的连通性差异，而使用图形套索，这些差异不太明显或不存在。本文受版权保护。版权所有。我们将该方法应用于来自人类连接组计划 (HCP) 的静息状态 fMRI 数据，涉及大量时间扫描和大脑区域，以研究流体智力与功能连接之间的关系，其中应用现有矩阵正态在计算上不可行图形模型。我们提出的方法导致检测高流体智力组和低流体智力组之间的连通性差异，而使用图形套索，这些差异不太明显或不存在。本文受版权保护。版权所有。我们将该方法应用于来自人类连接组计划 (HCP) 的静息状态 fMRI 数据，涉及大量时间扫描和大脑区域，以研究流体智力与功能连接之间的关系，其中应用现有矩阵正态在计算上不可行图形模型。我们提出的方法导致检测高流体智力组和低流体智力组之间的连通性差异，而使用图形套索，这些差异不太明显或不存在。本文受版权保护。版权所有。应用现有的矩阵正态图形模型在计算上不可行。我们提出的方法导致检测高流体智力组和低流体智力组之间的连通性差异，而使用图形套索，这些差异不太明显或不存在。本文受版权保护。版权所有。应用现有的矩阵正态图形模型在计算上不可行。我们提出的方法导致检测高流体智力组和低流体智力组之间的连通性差异，而使用图形套索，这些差异不太明显或不存在。本文受版权保护。版权所有。