論文の概要: A False Discovery Rate Control Method Using a Fully Connected Hidden Markov Random Field for Neuroimaging Data

• arxiv url: http://arxiv.org/abs/2505.20688v2
• Date: Thu, 29 May 2025 14:43:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 13:10:25.741496
• Title: A False Discovery Rate Control Method Using a Fully Connected Hidden Markov Random Field for Neuroimaging Data
• Title（参考訳）: 完全連結型隠れマルコフランダム場を用いたニューロイメージングデータのための偽発見率制御法
• Authors: Taehyo Kim, Qiran Jia, Mony J. de Leon, Hai Shu,
• Abstract要約: ボクセルワイド多重テストのための,強力で安定かつスケーラブルな空間FDR制御法であるfcHMRF-LISを提案する。 fcHMRF-LISは、FDRの正確な制御、FNRの低下、FDPおよびFNPの変動率の低下、既存手法と比較して真正値の増大を実現している。
• 参考スコア（独自算出の注目度）: 1.7582682214679273
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: False discovery rate (FDR) control methods are essential for voxel-wise multiple testing in neuroimaging data analysis, where hundreds of thousands or even millions of tests are conducted to detect brain regions associated with disease-related changes. Classical FDR control methods (e.g., BH, q-value, and LocalFDR) assume independence among tests and often lead to high false non-discovery rates (FNR). Although various spatial FDR control methods have been developed to improve power, they still fall short of jointly addressing three major challenges in neuroimaging applications: capturing complex spatial dependencies, maintaining low variability in both false discovery proportion (FDP) and false non-discovery proportion (FNP) across replications, and achieving computational scalability for high-resolution data. To address these challenges, we propose fcHMRF-LIS, a powerful, stable, and scalable spatial FDR control method for voxel-wise multiple testing. It integrates the local index of significance (LIS)-based testing procedure with a novel fully connected hidden Markov random field (fcHMRF) designed to model complex spatial structures using a parsimonious parameterization. We develop an efficient expectation-maximization algorithm incorporating mean-field approximation, the Conditional Random Fields as Recurrent Neural Networks (CRF-RNN) technique, and permutohedral lattice filtering, reducing the time complexity from quadratic to linear in the number of tests. Extensive simulations demonstrate that fcHMRF-LIS achieves accurate FDR control, lower FNR, reduced variability in FDP and FNP, and a higher number of true positives compared to existing methods. Applied to an FDG-PET dataset from the Alzheimer's Disease Neuroimaging Initiative, fcHMRF-LIS identifies neurobiologically relevant brain regions and offers notable advantages in computational efficiency.
• Abstract（参考訳）: 偽発見率(FDR)制御法は、神経画像データ解析において、何十万、あるいは数百万もの検査を行ない、疾患に関連する脳の領域を検出するために、ボクセルの複数の検査に不可欠である。 古典的なFDR制御法(例えば、BH、q-value、LocalFDR)はテスト間で独立性を持ち、しばしば偽の非発見率(FNR)につながる。 様々な空間的FDR制御法がパワー向上のために開発されているが、複雑な空間依存性の取得、偽発見率(FDP)と偽非発見率(FNP)の両面での低変動の維持、高分解能データに対する計算スケーラビリティの達成という3つの大きな課題を共同で解決するには至っていない。 これらの課題に対処するために,ボクセルワイド多重テストのための,強力で安定かつスケーラブルな空間FDR制御法であるfcHMRF-LISを提案する。 これは、LIS(Local Index of importance)ベースのテスト手順と、擬似パラメータ化を用いて複雑な空間構造をモデル化するために設計された、完全に連結された隠れマルコフランダムフィールド(fcHMRF)を統合する。 本研究では,平均場近似,CRF-RNN(Recurrent Neural Networks)手法としての条件ランダム場,および直交格子フィルタリングを併用した効率的な予測最大化アルゴリズムを開発し,テスト数において時間複雑性を2次から線形に低減する。 シミュレーションにより,fcHMRF-LISはFDRの正確な制御,FNRの低下,FDPおよびFNPの変動率の低下,既存手法と比較して真正値の増大が示された。 アルツハイマー病神経画像イニシアチブのFDG-PETデータセットに適用されたfcHMRF-LISは、神経生物学的に関連する脳領域を特定し、計算効率において顕著な優位性を提供する。

関連論文リスト

• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• High-Dimensional False Discovery Rate Control for Dependent Variables [10.86851797584794]
  本稿では,変数間の依存関係構造を利用した依存性認識型T-Rexセレクタを提案する。 可変ペナル化機構がFDR制御を保証することを実証する。 グラフィカルモデルとT-Rexフレームワークのパラメータを同時に決定する完全統合最適キャリブレーションアルゴリズムを定式化する。
  論文  参考訳（メタデータ） (2024-01-28T22:56:16Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• DeepFDR: A Deep Learning-based False Discovery Rate Control Method for Neuroimaging Data [1.9207817188259122]
  ボクセルベースの多重テストは神経画像データ解析に広く用いられている。 従来の偽発見率(FDR)制御法は、ボクセルベースのテストの空間依存性を無視する。 DeepFDRは、教師なしのディープラーニングベースのイメージセグメンテーションを使用して、ボクセルベースの多重テスト問題に対処する。
  論文  参考訳（メタデータ） (2023-10-20T08:27:13Z)
• Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
  本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。 また、局所的な一貫性の結果に基づいた理論的保証も提供する。 この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
  論文  参考訳（メタデータ） (2022-11-17T15:48:06Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)

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。