用于医学影像中多元推断与统计映射的生成式判别模型
应用统计
2019-06-04 v1
摘要
本文提出一个通用框架，用于获得可解释的多元判别模型，从而实现对神经影像分析的高效统计推断。该框架称为生成式判别机（GDM），通过生成式正则化项增强判别模型。我们证明所提公式可在闭式及对偶空间中优化，从而实现对高维神经影像数据集的高效计算。此外，我们给出了模型参数零分布的解析估计，使得无需置换检验即可进行高效统计推断与p值计算。我们在两个大型结构磁共振成像（sMRI）数据集（阿尔茨海默病（AD）n=415，精神分裂症（n=853））上将所提方法与纯生成式和纯判别式学习方法进行比较。利用AD数据集，我们展示了GDM稳健处理混杂变异的能力；利用精神分裂症数据集，我们展示了GDM处理多中心研究的能力。综上，结果凸显了所提方法在神经影像分析中的潜力。
引用
@article{arxiv.1807.00445,
title = {Generative discriminative models for multivariate inference and statistical mapping in medical imaging},
author = {Erdem Varol and Aristeidis Sotiras and Ke Zeng and Christos Davatzikos},
journal= {arXiv preprint arXiv:1807.00445},
year = {2019}
}
备注
To appear in MICCAI 2018 proceedings