Full Information Linked ICA：解决多模态融合中的缺失数据问题
统计方法学
2024-06-28 v1 机器学习
摘要
近期多模态成像获取技术的进展使我们能够测量脑部结构和功能的不同方面。多模态融合技术，如链接独立成分分析（LICA），广泛用于整合互补信息。然而，该方法受到缺失数据问题的制约，这在神经成像数据中常见。因此，本文提出了一种基于LICA框架的全信息LICA算法（FI-LICA），用于在多模态融合期间处理缺失数据问题。该方法基于完整案例，运用全信息原则，利用所有可用信息来恢复缺失的潜在信息。我们的模拟实验显示，FI-LICA在当前实践方法中表现出理想的性能。进一步地，我们将FI-LICA应用于阿尔茨海默病神经成像计划（ADNI）中的多模态数据，展示了在分类当前诊断以及预测轻度认知障碍（MCI）患者向阿尔茨海默病转变方面，FI-LICA具有更好的性能，从而凸显了所提出方法的实际实用性。
引用
@article{arxiv.2406.18829,
title = {Full Information Linked ICA: addressing missing data problem in multimodal fusion},
author = {Ruiyang Li and F. DuBois Bowman and Seonjoo Lee},
journal= {arXiv preprint arXiv:2406.18829},
year = {2024}
}
备注
17 pages, 6 figures