9月30日下午，“统计大讲堂”第一百三十讲——“青椒说”系列讲座第九期以线上讲座的形式举行。讲座以“Distributional Independent Component Analysis for Diverse Neuroimaging Modalities”为主题，由统计学院教师吴奔主讲。统计学院教师、应用统计科学研究中心研究员张波、李扬、李静萍、许王莉、张景肖参与讲座。统计学院副教授黄丹阳主持本次讲座。

黄丹阳简要介绍了主讲人的相关信息。吴奔是中国人民大学统计学院讲师，Emory大学生物统计与生物信息系博士后，Michigan大学生物统计系博士后。主要研究方向为贝叶斯统计、独立成分分析、脑图像数据分析、金融高频数据分析等。

吴奔首先从生物意义的大脑、神经元、神经纤维等概念出发，介绍了两种常用的图像分析手段——fMRI和DWI。fMRI是脑图像的一种常见模态，利用核磁共振成像技术，测量大脑激活区域的血氧含量反映大脑功能区；DWI侧重于反映大脑结构，通过测量大脑中水分子的运动方向，寻找对应的神经纤维束，从而重建大脑神经纤维束结构模型，而DTI是一种特殊的DWI建模方法，将水分子运动方向表示为三维矩阵，数据结构较fMRI更加复杂。

吴奔随后引出了常见的ICA线性模型，并指出ICA模型应用于DTI图像的缺陷，即无法应用于单对象且应用于多对象时会出现信息丢失。而吴奔及其合作者提出的新模型DICA能够有效弥补传统ICA模型的这些缺陷。在DICA第一阶段(mixture distribution model)中，将图像数据用混合分布模型进行表达，其中各分布成分的选取反映出了图像的结构特征，并在各体素点上计算出各成分出现的后验概率。第二阶段(ICA source separation)中通过链接函数，把后验概率向量映射到实数空间中，再进行独立成分分解。

吴奔指出，在与多种ICA模型的对比中，虽然DICA在某些模拟方面并非尽善尽美，总体模拟效果依然可圈可点。值得一提的是，DICA是首个实现单对象DTI独立成分分析的方法。

在提问交流环节，吴奔耐心地解答提问，并对不同分析模型进行对比，进一步详细阐释了DICA模型。

此次讲座内容深入浅出，通过实例和图像生动形象地体现了DICA模型的构建及其在生物统计领域的应用。此后统计大讲堂——“青椒说”专题系列讲座还将陆续推出多场精彩讲座，敬请关注。