基于连接驱动的共识聚类脑分区方法
神经元与认知
2018-08-14 v1 机器学习
机器学习
摘要
我们提出两种相关方法，用于从个体连接组中导出基于连接的脑图谱。所提方法利用先前提出的称为连续连接性的稠密连接表示，首先对个体脑进行基于图的分层聚类，随后将个体分区聚合成共识分区。共识的搜索最小化簇隶属距离之和，有效估计了个体分区的伪 Karcher 均值。我们使用以下三项评估分区的质量：（1）相对于稠密连接组表示的 Kullback-Liebler 与 Jensen-Shannon 散度，（2）半球间对称性，以及（3）简化连接组在生物性别分类任务中的表现。我们发现，在分层深度 3 下使用贪心搜索计算得到的基于分区的图谱在所有三项评估中均优于其他所有基于分区的图谱以及标准的 Dessikan-Killiany 解剖图谱。
引用
@article{arxiv.1808.04262,
title = {Connectivity-Driven Brain Parcellation via Consensus Clustering},
author = {Anvar Kurmukov and Ayagoz Mussabayeva and Yulia Denisova and Daniel Moyer and Boris Gutman},
journal= {arXiv preprint arXiv:1808.04262},
year = {2018}
}