論文の概要: Functional Parcellation of fMRI data using multistage k-means clustering
- arxiv url: http://arxiv.org/abs/2202.11206v1
- Date: Sat, 19 Feb 2022 20:30:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-26 10:41:00.874665
- Title: Functional Parcellation of fMRI data using multistage k-means clustering
- Title（参考訳）: 多段K平均クラスタリングを用いたfMRIデータの機能解析
- Authors: Harshit Parmar, Brian Nutter, Rodney Long, Sameer Antani, Sunanda
Mitra
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.9786690381850356
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose: Functional Magnetic Resonance Imaging (fMRI) data acquired through
resting-state studies have been used to obtain information about the
spontaneous activations inside the brain. One of the approaches for analysis
and interpretation of resting-state fMRI data require spatially and
functionally homogenous parcellation of the whole brain based on underlying
temporal fluctuations. Clustering is often used to generate functional
parcellation. However, major clustering algorithms, when used for fMRI data,
have their limitations. Among commonly used parcellation schemes, a tradeoff
exists between intra-cluster functional similarity and alignment with
anatomical regions. Approach: In this work, we present a clustering algorithm
for resting state and task fMRI data which is developed to obtain brain
parcellations that show high structural and functional homogeneity. The
clustering is performed by multistage binary k-means clustering algorithm
designed specifically for the 4D fMRI data. The results from this multistage
k-means algorithm show that by modifying and combining different algorithms, we
can take advantage of the strengths of different techniques while overcoming
their limitations. Results: The clustering output for resting state fMRI data
using the multistage k-means approach is shown to be better than simple k-means
or functional atlas in terms of spatial and functional homogeneity. The
clusters also correspond to commonly identifiable brain networks. For task
fMRI, the clustering output can identify primary and secondary activation
regions and provide information about the varying hemodynamic response across
different brain regions. Conclusion: The multistage k-means approach can
provide functional parcellations of the brain using resting state fMRI data.
The method is model-free and is data driven which can be applied to both
resting state and task fMRI.
- Abstract（参考訳）: 目的: 静止状態の研究によって得られたfMRI(Function Magnetic Resonance Imaging)データを用いて脳内の自然活動に関する情報を得る。
静止状態fmriデータの解析と解釈のアプローチの1つは、時間的ゆらぎに基づく脳全体の空間的および機能的に均質なパーセル化を必要とする。
クラスタリングはしばしば機能解析を生成するために使われる。
しかし、fMRIデータに使用する主要なクラスタリングアルゴリズムには制限がある。
一般的に使われるパーセレーションスキームの中で、クラスタ内の機能的類似性と解剖学的領域との整合との間にトレードオフが存在する。
アプローチ: 本研究では, 高構造的, 機能的均一性を示す脳のパーセルレーションを得るために, 静止状態とタスクfMRIデータをクラスタリングするアルゴリズムを提案する。
クラスタリングは4次元fMRIデータに特化して設計されたマルチステージバイナリk平均クラスタリングアルゴリズムによって実行される。
このマルチステージk平均アルゴリズムの結果は、異なるアルゴリズムを修正・組み合わせることで、それらの制限を克服しながら異なる手法の強みを生かすことができることを示している。
結果: 多段k平均法による静止状態fMRIデータのクラスタリング出力は,空間的および機能的均一性の観点から,単純なk平均や機能的アトラスよりも優れていることが示された。
クラスタはまた、一般的に識別可能な脳ネットワークに対応している。
タスクfMRIでは、クラスタリング出力が一次および二次活性化領域を特定し、異なる脳領域にわたる様々な血行動態反応に関する情報を提供する。
結論: 多段階k-平均アプローチは、静止状態fMRIデータを用いて脳の機能的パーセレーションを提供することができる。
この方法はモデルフリーであり、休息状態とタスクfmriの両方に適用可能なデータ駆動である。
関連論文リスト
- Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - A Compact Implicit Neural Representation for Efficient Storage of
Massive 4D Functional Magnetic Resonance Imaging [14.493622422645053]
fMRI圧縮は、複雑な時間的ダイナミクス、低信号-雑音比、複雑な基礎的冗長性のために、ユニークな課題を生んでいる。
Inlicit Neural Representation (INR)に基づくfMRIデータに適した新しい圧縮パラダイムについて報告する。
論文 参考訳（メタデータ） (2023-11-30T05:54:37Z) - 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) - BDEC:Brain Deep Embedded Clustering model [10.560936895047321]
ディープラーニングのロバストなデータ適合能力を生かした,BDECと呼ばれる仮定フリーモデルを開発した。
9つの一般的な脳のパーセレーション法と比較することにより,BDECモデルは非常に優れた性能を示す。
これらの結果は,BDECのパーセレーションが脳の機能的特徴を捉え,将来的なボクセル脳ネットワーク解析の可能性を示唆している。
論文 参考訳（メタデータ） (2023-09-12T02:42:11Z) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳（メタデータ） (2023-08-24T01:30:18Z) - Spatio-temporally separable non-linear latent factor learning: an
application to somatomotor cortex fMRI data [0.0]
潜在因子の脳全体の発見が可能なfMRIデータのモデルについて検討する。
空間重み付けを効率化するための新しい手法は、データの高次元性とノイズの存在に対処するために重要である。
本手法は,複数のモーターサブタスクを用いたデータを用いて,モデルが各サブタスクに対応する非絡み合った潜在因子を捕捉するかどうかを評価する。
論文 参考訳（メタデータ） (2022-05-26T21:30:22Z) - Shared Space Transfer Learning for analyzing multi-site fMRI data [83.41324371491774]
マルチボクセルパターン解析(MVPA)は、タスクベース機能磁気共鳴画像(fMRI)データから予測モデルを学習する。
MVPAはよく設計された機能セットと十分なサンプルサイズで機能する。
ほとんどのfMRIデータセットはノイズが多く、高次元で、収集するのに高価で、サンプルサイズも小さい。
本稿では,新しい伝達学習手法として共有空間移動学習(SSTL)を提案する。
論文 参考訳（メタデータ） (2020-10-24T08:50:26Z) - 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) - 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) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z) - Mapping individual differences in cortical architecture using multi-view
representation learning [0.0]
本稿では,タスクfMRIと安静状態fMRIで計測されたアクティベーションと接続性に基づく情報を組み合わせて,新しい機械学習手法を提案する。
マルチビューディープ・オートエンコーダは、2つのfMRIモダリティを、患者を特徴づけるスカラースコアを推測するために予測モデルが訓練されたジョイント表現空間に融合させるように設計されている。
論文 参考訳（メタデータ） (2020-04-01T09:01:25Z)
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。