論文の概要: Multiple-view clustering for identifying subject clusters and brain
sub-networks using functional connectivity matrices without vectorization
- arxiv url: http://arxiv.org/abs/2010.09941v2
- Date: Thu, 11 Feb 2021 11:14:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 06:20:59.124756
- Title: Multiple-view clustering for identifying subject clusters and brain
sub-networks using functional connectivity matrices without vectorization
- Title（参考訳）: ベクトル化のない機能接続行列を用いた被験者クラスタと脳サブネットワークのマルチビュークラスタリング
- Authors: Tomoki Tokuda, Okito Yamashita, Junichiro Yoshimoto
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In neuroscience, the functional magnetic resonance imaging (fMRI) is a vital
tool to non-invasively access brain activity. Using fMRI, the functional
connectivity (FC) between brain regions can be inferred, which has contributed
to a number of findings of the fundamental properties of the brain. As an
important clinical application of FC, clustering of subjects based on FC
recently draws much attention, which can potentially reveal important
heterogeneity in subjects such as subtypes of psychiatric disorders. In
particular, a multiple-view clustering method is a powerful analytical tool,
which identifies clustering patterns of subjects depending on their FC in
specific brain areas. However, when one applies an existing multiple-view
clustering method to fMRI data, there is a need to simplify the data structure,
independently dealing with elements in a FC matrix, i.e., vectorizing a
correlation matrix. Such a simplification may distort the clustering results.
To overcome this problem, we propose a novel multiple-view clustering method
based on Wishart mixture models, which preserves the correlation matrix
structure without vectorization. The uniqueness of this method is that the
multiple-view clustering of subjects is based on particular networks of nodes
(or regions of interest, ROIs), optimized in a data-driven manner. Hence, it
can identify multiple underlying pairs of associations between a subject
cluster solution and a ROI sub-network. The key assumption of the method is
independence among sub-networks, which is effectively addressed by whitening
correlation matrices. We applied the proposed method to synthetic and fMRI
data, demonstrating the usefulness and power of the proposed method.
- Abstract（参考訳）: 神経科学において、fMRIは脳活動に非侵襲的にアクセスするための重要なツールである。
fMRIを用いて脳領域間の機能的接続(FC)を推定することができ、脳の基本的な性質の多くの発見に寄与している。
FCの重要臨床応用として、最近、FCに基づく被験者のクラスタリングが注目されており、精神疾患のサブタイプのような被験者にとって重要な異種性を明らかにする可能性がある。
特に、マルチビュークラスタリング法は強力な分析ツールであり、特定の脳領域におけるFCに依存する被験者のクラスタリングパターンを特定する。
しかし、既存のマルチビュークラスタリング手法をfmriデータに適用する場合、fcマトリックスの要素、すなわち相関行列のベクトル化とは独立に、データ構造を単純化する必要がある。
このような単純化はクラスタリング結果を歪める可能性がある。
そこで本研究では,ウィッシュアート混合モデルに基づく,ベクトル化を伴わずに相関行列構造を保存するマルチビュークラスタリング手法を提案する。
この手法の特徴は、被験者の複数ビュークラスタリングが、データ駆動方式で最適化された特定のノード(または関心領域、ROI)のネットワークに基づいていることである。
したがって、対象クラスタソリューションとroiサブネットワークの間の複数の関連の組み合わせを識別することができる。
この手法の鍵となる仮定はサブネットワーク間の独立性であり、ホワイトニング相関行列によって効果的に対処される。
提案手法を合成およびfMRIデータに適用し,提案手法の有用性とパワーを実証した。
関連論文リスト
- Interpretable Multi-View Clustering Based on Anchor Graph Tensor Factorization [64.00146569922028]
アンカーグラフの分解に基づくマルチビュークラスタリング法では,分解行列に対する適切なクラスタ解釈性が欠如している。
複数のビューからアンカーグラフを合成するアンカーグラフテンソルを分解するために、非負のテンソル因子分解を用いることにより、この制限に対処する。
論文 参考訳（メタデータ） (2024-04-01T03:23:55Z) - Heterogenous Memory Augmented Neural Networks [84.29338268789684]
ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。
学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。
In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
論文 参考訳（メタデータ） (2023-10-17T01:05:28Z) - 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) - Capturing functional connectomics using Riemannian partial least squares [0.0]
神経疾患や疾患では、ヒトの脳の機能的および解剖学的コネクトームは、介入や治療戦略をよりよく知るために用いられる。
機能接続を解析するための1つのアプローチは、高次元の予測データのために設計された多変量回帰手法である、部分最小二乗法(PLS)を用いることである。
論文 参考訳（メタデータ） (2023-06-30T02:24:34Z) - Unified Multi-View Orthonormal Non-Negative Graph Based Clustering
Framework [74.25493157757943]
我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。
また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
論文 参考訳（メタデータ） (2022-11-03T08:18:27Z) - 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) - A deep learning model for data-driven discovery of functional
connectivity [0.0]
本稿では,被験者を分類する学習の一環として,接続構造を学習する深層学習アーキテクチャBrainGNNを提案する。
統合失調症 fMRI データセットを用いて,そのモデルの最先端の分類性能を示す。
論文 参考訳（メタデータ） (2021-12-07T21:57:32Z) - Multi-way Clustering and Discordance Analysis through Deep Collective
Matrix Tri-Factorization [9.283501363468728]
我々は、ニューラルネットワークによる教師なし学習の最先端を推し進め、異種多型マルチモーダル関係データを解析する。
我々は,任意の行列集合の集合行列三要素化のための最初のニューラル手法を設計し,全ての構成要素のスペクトルクラスタリングを行い,クラスタアソシエーションを学習する。
本稿では,知識ベースの品質評価と表現学習の改善におけるその有用性について述べる。
論文 参考訳（メタデータ） (2021-09-27T16:24:23Z) - Clustering Ensemble Meets Low-rank Tensor Approximation [50.21581880045667]
本稿では,複数のクラスタリングを組み合わせ,個々のクラスタリングよりも優れたパフォーマンスを実現するクラスタリングアンサンブルの問題について検討する。
本稿では,この問題をグローバルな視点から解くために,新しい低ランクテンソル近似法を提案する。
7つのベンチマークデータセットを用いた実験の結果,提案手法は12の最先端手法と比較して,クラスタリング性能のブレークスルーを達成した。
論文 参考訳（メタデータ） (2020-12-16T13:01:37Z) - Deep Representational Similarity Learning for analyzing neural
signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。
DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文 参考訳（メタデータ） (2020-09-28T18:30:14Z) - A New Validity Index for Fuzzy-Possibilistic C-Means Clustering [6.174448419090291]
Fuzzy-Possibilistic (FP)指数は、形状や密度の異なるクラスターの存在下でうまく機能する。
FPCMはファジィの度合いと典型性の度合いを事前選択する必要がある。
論文 参考訳（メタデータ） (2020-05-19T01:48:13Z)
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。