通过 Boosting 进行高维混合模型的反卷积及其在人脑扩散加权 MRI 中的应用
机器学习
2014-09-29 v2
摘要
扩散加权磁共振成像 (DWI) 和纤维束成像法是测量活体人脑白质结构的唯一方法。扩散信号已被建模为穿过白质每个位置的许多独立神经纤维束的共同贡献。通常这是通过基追踪 (basis pursuit) 完成的，但由于离散化，精确方向的估计受到限制。建模 DWI 数据固有的困难也存在于许多其他涉及拟合非参数混合模型的问题中。Ekanadaham 等人提出了一种连续基追踪方法，以克服一维情况（例如尖峰排序）中的离散化误差。在此，我们提出了一种更通用的算法，可在无需离散化的情况下拟合任意维度的混合模型。我们的算法利用 L2-boost 的原理，结合权重的重拟合和参数的剪枝。将这些步骤添加到 L2-boost 中既加速了算法又保证了其准确性。我们将所得算法称为弹性基追踪 (elastic basis pursuit, EBP)，因为它根据需要扩展和收缩活跃核集合。我们表明，与现有的混合模型拟合方法相比，我们的 boosting 框架 (1) 能够沿解路径选择最优的偏差 - 方差权衡，(2) 可扩展至高维问题。在 DWI 模拟中，我们发现 EBP 产生的参数估计优于非负最小二乘法 (NNLS) 或 DWI 中使用的标准模型（即作为扩散张量成像 DTI 基础的张量模型）。我们展示了该方法在包含多个神经纤维束交叉的脑区 acquired 的 DWI 数据中的实用性。
引用
@article{arxiv.1409.7134,
title = {Deconvolution of High-Dimensional Mixtures via Boosting, with Application to Diffusion-Weighted MRI of Human Brain},
author = {Charles Zheng and Franco Pestilli and Ariel Rokem},
journal= {arXiv preprint arXiv:1409.7134},
year = {2014}
}
备注
NIPS 2014, accepted