基于循环位移稀疏Kronecker张量分类器的神经影像信号区域检测
统计方法学
2025-05-20 v1 统计计算
摘要
本研究提出了一种循环位移Logistic稀疏Kronecker积分解 (SKPD) 模型，用于高维张量数据，使SKPD框架在二分类任务中集成循环位移机制以实现可解释且可扩展的脑部MRI数据分析。该方法通过结构化低秩分解检测与疾病相关区域。将第二个空间平移后的数据视图纳入模型后，循环位移Logistic SKPD 可提高对跨主体 misalignment 的鲁棒性，这是神经影像中常见的挑战。我们在Logistic损失下提供了受限弱 isometry 条件下的渐近一致性保证。仿真结果表明，该模型在噪声下能够恢复空间信号，并能识别因子分解的最佳 patch 大小。应用到 OASIS-1 和 ADNI-1 数据集后，模型在分类准确率方面表现突出，并在临床相关脑区（如小脑）定位估计系数。数据驱动的 slice 选择策略进一步提升了2D投影中的可解释性。该框架为神经影像基础疾病诊断提供了一个原则化、可解释且计算效率高的工具，其可扩展性潜力涵盖多分类设置和更复杂的变换。
关键词
引用
@article{arxiv.2505.12113,
title = {Cyclic-Shift Sparse Kronecker Tensor Classifier for Signal-Region Detection in Neuroimaging},
author = {Hsin-Hsiung Huang and Yuh-Haur Chen and Teng Zhang},
journal= {arXiv preprint arXiv:2505.12113},
year = {2025}
}