基于连接组的3D卷积神经网络集成学习预测
计算机视觉与模式识别
2019-06-06 v2 机器学习
机器学习
摘要
静息态功能磁共振成像（rs-fMRI）测量的特异性和敏感性取决于预处理选择，例如用于定义感兴趣区域（ROIs）的分区方案。在本研究中，我们严格评估了脑分区对应用于rs-fMRI数据的机器学习模型的影响。我们的实验揭示了一个显著趋势：平均而言，采用随机分区的模型在与广泛使用的解剖图谱相同空间尺度上表现一致。因此我们提出一种集成学习策略，以结合在不同（如随机）分区提取的连接数据上训练的模型预测。我们进一步提出了一种基于新颖3D卷积神经网络（CNN）方法的集成学习策略实现。所提CNN方法利用rs-fMRI数据的全分辨率3D空间结构并拟合非线性预测模型。我们的集成CNN框架克服了传统连接组机器学习模型常依赖于基于区域的汇总统计和/或线性模型的局限。我们在分类（自闭症患者 versus 健康对照）和回归问题（预测受试者年龄）上展示了我们的方法，并报告了有前景的结果。
引用
@article{arxiv.1809.06219,
title = {Ensemble learning with 3D convolutional neural networks for connectome-based prediction},
author = {Meenakshi Khosla and Keith Jamison and Amy Kuceyeski and Mert R. Sabuncu},
journal= {arXiv preprint arXiv:1809.06219},
year = {2019}
}
备注
45 pages, 9 figures, 4 supplementary figures (To appear in Neuroimage)