分布式秩1字典学习：面向 fMRI 大数据分析的快速可扩展解决方案
数据结构与算法
2017-08-10 v1 分布式、并行与集群计算
神经元与认知
摘要
用于研究和诊断的功能性脑成像极大地受益于神经影像技术的最新进展，以及 fMRI 数据在规模和可用性上的爆炸式增长。尽管文献已表明使用多个大规模 fMRI 数据集可以提高可重复性并带来新发现，但支持此类 fMRI 大数据分析和可视化的计算与信息系统极其有限，且在很大程度上缺乏讨论。基于先前在 fMRI 数据上使用字典学习方法进行功能网络分解研究的成功经验，我们在这项工作中提出解决这些不足。我们提出了一种基于带稀疏约束的秩1矩阵分解的分布式字典学习框架 (D-r1DL framework)。该框架使用 Spark 分布式计算引擎实现，并部署在三个不同的处理单元上：内部服务器、内部高性能集群和 Amazon Elastic Compute Cloud (EC2) 服务。整个分析管道与我们的神经信息学系统集成，用于数据管理、用户输入/输出和实时可视化。D-r1DL 在个体和群体 fMRI Human Connectome Project (HCP) 数据集上的性能和准确性表明，所提出的框架具有高度可扩展性。所得的群体功能网络分解高度准确，快速的处理时间证实了这一主张。此外，D-r1DL 可以提供实时用户反馈和结果可视化，这对于大规模数据分析至关重要。
引用
@article{arxiv.1708.02638,
title = {Distributed rank-1 dictionary learning: Towards fast and scalable solutions for fMRI big data analytics},
author = {Milad Makkie and Xiang Li and Binbin Lin and Jieping Ye and Mojtaba Sedigh Fazli and Tianming Liu and Shannon Quinn},
journal= {arXiv preprint arXiv:1708.02638},
year = {2017}
}
备注
One of the authors name, Mojtaba Sedigh Fazli, has been mistakenly missed from this paper presented at the IEEE Big Data confrence. In result we are submitting this verison to correct the authors' names