論文の概要: Penalized model-based clustering of fMRI data

• arxiv url: http://arxiv.org/abs/2010.06408v1
• Date: Tue, 13 Oct 2020 14:08:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 23:05:18.585654
• Title: Penalized model-based clustering of fMRI data
• Title（参考訳）: fMRIデータのペナル化モデルに基づくクラスタリング
• Authors: Andrew DiLernia, Karina Quevedo, Jazmin Camchong, Kelvin Lim, Wei Pan, and Lin Zhang
• Abstract要約: 機能的磁気共鳴画像(fMRI)データの利用が増加し,機能的接続性(FC)の記述に有用である。 FCは特定の神経変性疾患や精神疾患についての洞察を与えており、臨床的に重要である。 患者診断について医師に知らせるためには、FCに基づいた教師なしクラスタリングが望まれる。 本稿では,各被験者のFCネットワークを並列にクラスタリングし,各被験者のユニークなFCネットワークを推定し,共有ネットワークの特徴を推定するためのランダム共分散クラスタリングモデル(RCCM)を提案する。
• 参考スコア（独自算出の注目度）: 4.2237224955788335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Functional magnetic resonance imaging (fMRI) data have become increasingly available and are useful for describing functional connectivity (FC), the relatedness of neuronal activity in regions of the brain. This FC of the brain provides insight into certain neurodegenerative diseases and psychiatric disorders, and thus is of clinical importance. To help inform physicians regarding patient diagnoses, unsupervised clustering of subjects based on FC is desired, allowing the data to inform us of groupings of patients based on shared features of connectivity. Since heterogeneity in FC is present even between patients within the same group, it is important to allow subject-level differences in connectivity, while still pooling information across patients within each group to describe group-level FC. To this end, we propose a random covariance clustering model (RCCM) to concurrently cluster subjects based on their FC networks, estimate the unique FC networks of each subject, and to infer shared network features. Although current methods exist for estimating FC or clustering subjects using fMRI data, our novel contribution is to cluster or group subjects based on similar FC of the brain while simultaneously providing group- and subject-level FC network estimates. The competitive performance of RCCM relative to other methods is demonstrated through simulations in various settings, achieving both improved clustering of subjects and estimation of FC networks. Utility of the proposed method is demonstrated with application to a resting-state fMRI data set collected on 43 healthy controls and 61 participants diagnosed with schizophrenia.
• Abstract（参考訳）: 機能的磁気共鳴画像(fMRI)は、脳の領域における神経活動の関連性である機能的接続(FC)を記述するのに有用である。 この脳のfcは、特定の神経変性疾患や精神疾患についての洞察を提供するため、臨床的に重要である。 患者診断について医師に通知するためには、FCに基づく教師なしクラスタリングが望まれており、データの共有された接続性の特徴に基づいて、患者のグループ化を通知することができる。 FCの異種性は同一グループ内の患者の間でも存在するため、各グループ内の患者間で情報をプールしながら、グループレベルのFCを記述することが重要である。 そこで本研究では,各対象のFCネットワークを並列にクラスタリングし,各対象のユニークなFCネットワークを推定し,共有ネットワークの特徴を推定する,ランダムな共分散クラスタリングモデルを提案する。 現在,fMRIデータを用いてFCやクラスタリングの被験者を推定する手法は存在するが,本研究の新たな貢献は,グループレベルのFCネットワーク推定と主観レベルのFCネットワーク推定を同時に行うことにある。 他の手法と比較してrccmの競合性能は,様々な環境でのシミュレーションにより実証され,被験者のクラスタリングとfcネットワークの推定が向上した。 健常者43名と統合失調症61名を対象に収集した静止状態fMRIデータに適用し,本手法の有用性を実証した。

関連論文リスト

• Identifying latent disease factors differently expressed in patient subgroups using group factor analysis [54.67330718129736]
  本稿では,サブグループ特異的およびサブグループ共通潜在因子を明らかにするための新しいアプローチを提案する。 提案手法は,正規化されたホースシュー先行群を用いたスパース群因子解析 (GFA) であり,確率計画法を用いて実装した。
  論文  参考訳（メタデータ） (2024-10-10T13:12:14Z)
• A Demographic-Conditioned Variational Autoencoder for fMRI Distribution Sampling and Removal of Confounds [49.34500499203579]
  変動型オートエンコーダ(VAE)ベースのモデルであるDemoVAEを作成し、人口統計学から fMRI の特徴を推定する。 ユーザが供給する人口動態に基づいて,高品質な合成fMRIデータを生成する。
  論文  参考訳（メタデータ） (2024-05-13T17:49:20Z)
• Federated unsupervised random forest for privacy-preserving patient stratification [0.4499833362998487]
  教師なしランダムフォレストを用いた新しいマルチオミクスクラスタリング手法を提案する。 我々は、機械学習ベンチマークデータセットとThe Cancer Genome Atlasのがんデータに対するアプローチを検証する。 本手法は病気のサブタイプに関して最先端の手法と競合するが,同時にクラスタの解釈可能性も大幅に向上する。
  論文  参考訳（メタデータ） (2024-01-29T12:04:14Z)
• Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
  本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。 まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。 そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:17:57Z)
• Cross-Frequency Coupling Increases Memory Capacity in Oscillatory Neural Networks [69.42260428921436]
  クロス周波数カップリング(CFC)は、ニューロンの集団間での情報統合と関連している。 我々は,海馬および大脳皮質における観測された$theta - gamma$振動回路の計算的役割を予測するCFCのモデルを構築した。 CFCの存在は, 可塑性シナプスによって結合された神経細胞のメモリ容量を増加させることを示す。
  論文  参考訳（メタデータ） (2022-04-05T17:13:36Z)
• Functional Parcellation of fMRI data using multistage k-means clustering [0.9786690381850356]
  クラスタリングはしばしば機能的パーセレーションを生成するために使われる。 本研究では,静止状態とタスクfMRIデータに対するクラスタリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-19T20:30:02Z)
• Deep Semi-Supervised Embedded Clustering (DSEC) for Stratification of Heart Failure Patients [50.48904066814385]
  本研究では、深層半教師付き組込みクラスタリングを用いて、心不全のデータ駆動型患者サブグループを決定する。 ヘテロジニアスデータから得られた組込み空間から臨床関連クラスタを見出した。 提案アルゴリズムは、異なる結果を持つ患者の新たな未診断サブグループを見つけることができる。
  論文  参考訳（メタデータ） (2020-12-24T12:56:46Z)
• Multiple-view clustering for identifying subject clusters and brain sub-networks using functional connectivity matrices without vectorization [0.0]
  Wishart混合モデルに基づく新しいマルチビュークラスタリング手法を提案する。 この手法の独特な点は、被験者のマルチビュークラスタリングがノードの特定のネットワークに基づいていることである。
  論文  参考訳（メタデータ） (2020-10-20T00:51:45Z)
• A Joint Network Optimization Framework to Predict Clinical Severity from Resting State Functional MRI Data [3.276067241408604]
  静止状態fMRI(rs-fMRI)データから臨床重症度を予測する新しい枠組みを提案する。 フレームワークを2つの別々のデータセット上で10倍のクロスバリデーション設定で検証する。
  論文  参考訳（メタデータ） (2020-08-27T23:43:25Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)
• Construction of embedded fMRI resting state functional connectivity networks using manifold learning [0.0]
  我々は、ベンチマークレスティング状態機能磁気共鳴画像(rsfMRI)データから、組み込み機能接続ネットワーク(FCN)を構築した。 組込みFCNの鍵となるグローバルグラフ理論特性に基づいて、機械学習技術を用いて分類の可能性を比較する。 ディフュージョンマップとラベル付き相互相関計量を用いて構築したFCNは、他の組み合わせよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-05-25T20:39:29Z)

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。