FDR-HS：神经影像分析中异质特征的经验贝叶斯识别方法
应用统计
2018-07-24 v1
摘要
近期研究发现，在基于体素的神经影像分析中，检测并区分预处理步骤引入的“程序性偏倚”与病灶特征，不仅有助于提升准确性，还能改善可解释性。据我们所知，GSplit LBI是文献中首个同时捕捉程序性偏倚与病灶特征的模型。尽管它可通过利用程序性偏倚提升预测能力，但由于高维空间中的多重共线性，它可能选出虚假特征。此外，它未考虑这两类特征的异质性。事实上，程序性偏倚与病灶特征在体积变化和空间相关性模式上有所不同。为解决这些问题，我们提出一种称为“FDR-HS”（错误发现率异质平滑）的“两组”经验贝叶斯方法。该方法不仅能避免多重共线性，还可利用特征的异质空间模式。此外，它通过引入隐变量实现了实现的简便性，将问题转化为凸优化方案，并可由期望最大化（EM）算法高效求解。经验实验已在阿尔茨海默病神经影像倡议（ADNI）数据库上评估。所提模型的优势通过FDR-HS所选特征的改进可解释性与预测能力得到验证。
引用
@article{arxiv.1807.08125,
title = {FDR-HS: An Empirical Bayesian Identification of Heterogenous Features in Neuroimage Analysis},
author = {Xinwei Sun and Lingjing Hu and Fandong Zhang and Yuan Yao and Yizhou Wang},
journal= {arXiv preprint arXiv:1807.08125},
year = {2018}
}
备注
Accepted in Miccai, 2018