用于从静息态功能 MRI 数据预测临床严重度的生成-判别基学习框架
信号处理
2018-07-26 v1
摘要
我们提出一种矩阵分解技术，将患者群体的静息态 fMRI（rs-fMRI）相关矩阵分解为由秩一外积建模的稀疏代表性子网络集合。这些子网络通过患者特定的非负系数进行组合；这些系数也被用于通过线性回归对给定患者的临床严重度进行建模并随后预测。我们的生成-判别框架能够利用 rs-fMRI 相关矩阵的结构来捕获群体水平效应，同时考虑患者变异性。我们采用十折交叉验证在五十八名诊断为自闭症谱系障碍的患者队列上展示我们模型的预测能力。我们的方法优于经典的半监督框架，后者对相关特征进行降维随后通过非线性回归预测临床评分。
引用
@article{arxiv.1807.09319,
title = {A Generative-Discriminative Basis Learning Framework to Predict Clinical Severity from Resting State Functional MRI Data},
author = {Niharika Shimona D'Souza and Mary Beth Nebel and Nicholas Wymbs and Stewart Mostofsky and Archana Venkataraman},
journal= {arXiv preprint arXiv:1807.09319},
year = {2018}
}