論文の概要: Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso

• arxiv url: http://arxiv.org/abs/2009.14310v2
• Date: Wed, 25 Nov 2020 10:49:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 06:02:20.244557
• Title: Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso
• Title（参考訳）: 分散マルチタスクラッソを用いた時空間MEG/EEG画像の統計的制御
• Authors: J\'er\^ome-Alexis Chevalier, Alexandre Gramfort, Joseph Salmon, Bertrand Thirion
• Abstract要約: 脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
• 参考スコア（独自算出の注目度）: 102.84915019938413
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting where and when brain regions activate in a cognitive task or in a given clinical condition is the promise of non-invasive techniques like magnetoencephalography (MEG) or electroencephalography (EEG). This problem, referred to as source localization, or source imaging, poses however a high-dimensional statistical inference challenge. While sparsity promoting regularizations have been proposed to address the regression problem, it remains unclear how to ensure statistical control of false detections. Moreover, M/EEG source imaging requires to work with spatio-temporal data and autocorrelated noise. To deal with this, we adapt the desparsified Lasso estimator -- an estimator tailored for high dimensional linear model that asymptotically follows a Gaussian distribution under sparsity and moderate feature correlation assumptions -- to temporal data corrupted with autocorrelated noise. We call it the desparsified multi-task Lasso (d-MTLasso). We combine d-MTLasso with spatially constrained clustering to reduce data dimension and with ensembling to mitigate the arbitrary choice of clustering; the resulting estimator is called ensemble of clustered desparsified multi-task Lasso (ecd-MTLasso). With respect to the current procedures, the two advantages of ecd-MTLasso are that i)it offers statistical guarantees and ii)it allows to trade spatial specificity for sensitivity, leading to a powerful adaptive method. Extensive simulations on realistic head geometries, as well as empirical results on various MEG datasets, demonstrate the high recovery performance of ecd-MTLasso and its primary practical benefit: offer a statistically principled way to threshold MEG/EEG source maps.
• Abstract（参考訳）: 脳の領域が認知タスクや特定の臨床条件で活性化される場所や場所を検出することは、脳磁図(MEG)や脳波(EEG)のような非侵襲的なテクニックの約束である。 この問題は、ソースローカライゼーション(source localization)またはソースイメージング(source imaging)と呼ばれ、しかしながら、高次元の統計的推測問題を引き起こす。 回帰問題に対処するためにスパルシティー促進正規化が提案されているが、偽検出の統計的制御を確実にする方法はまだ不明である。 さらに、M/EEGソースイメージングは時空間データと自己相関ノイズを扱う必要がある。 これに対処するため、分散化されたlasso estimator(高次元線形モデル用に調整された推定子)は、スパーシティと中程度の特徴相関仮定の下でガウス分布を漸近的に追従する。 分離されたマルチタスクラッソ (d-MTLasso) と呼ぶ。 我々は,d-MTLassoと空間的に制約されたクラスタリングを組み合わせることで,データ次元を小さくし,クラスタリングの任意の選択を緩和するアンサンブルを組み合わせ,その結果の推定をクラスタ化デパーシファイドマルチタスクラッソ(ecd-MTLasso)のアンサンブルと呼ぶ。 現在の手順に関して、ecd-mtlassoの2つの利点は、 一 統計上の保証、及び 二 空間的特異性を感度と交換することができ、強力な適応的方法が導かれる。 現実的なヘッドジオメトリに関する広範囲なシミュレーションや、様々な meg データセットでの実証的な結果からは、ecd-mtlasso の高回復性能とその主な実用的メリットが示されている。

関連論文リスト

• Generating Origin-Destination Matrices in Neural Spatial Interaction Models [11.188781092933313]
  エージェントベースモデル(ABM)は、交通、経済、疫学の政策分野にわたる意思決定ツールとして急速に普及している。 中心となる対象は、位置間の相互作用とエージェントの移動数をキャプチャする離散原点決定行列である。 既存のアプローチでは、ABMシミュレーションとキャリブレーションを実行するために、この行列の連続的な近似と、その後のアドホックな判別を利用する。 これは、部分的に観測された要約統計の条件付けを妨げ、離散的なサポートを越えてマルチモーダル行列分布の探索に失敗し、離散化エラーを引き起こす。
  論文  参考訳（メタデータ） (2024-10-09T18:09:02Z)
• Unveiling Incomplete Modality Brain Tumor Segmentation: Leveraging Masked Predicted Auto-Encoder and Divergence Learning [6.44069573245889]
  脳腫瘍のセグメンテーションは、特にマルチモーダルMRI(Multi-modal magnetic resonance imaging)における重要な課題である。 本稿では,不完全なモダリティデータから頑健な特徴学習を可能にする,マスク付き予測事前学習方式を提案する。 微調整段階において、我々は知識蒸留技術を用いて、完全なモダリティデータと欠落したモダリティデータの間に特徴を整列させ、同時にモデルロバスト性を向上する。
  論文  参考訳（メタデータ） (2024-06-12T20:35:16Z)
• MAPL: Memory Augmentation and Pseudo-Labeling for Semi-Supervised Anomaly Detection [0.0]
  メモリ拡張(Memory Augmentation)と擬似ラベル(Pseudo-Labeling, MAPL)と呼ばれる, 産業環境における表面欠陥検出のための新しいメソドロジーを導入する。 この手法は、まず異常シミュレーション戦略を導入し、希少または未知の異常型を認識するモデルの能力を著しく改善する。 入力データから直接異常領域を識別するために、MAPLによってエンドツーエンドの学習フレームワークが使用される。
  論文  参考訳（メタデータ） (2024-05-10T02:26:35Z)
• Weakly supervised covariance matrices alignment through Stiefel matrices estimation for MEG applications [64.20396555814513]
  本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。 我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。 MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
  論文  参考訳（メタデータ） (2024-01-24T19:04:49Z)
• Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time Adaptation [49.827306773992376]
  連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。 提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-19T15:34:52Z)
• Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
  マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。 本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。 本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
  論文  参考訳（メタデータ） (2023-10-06T10:40:46Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。