基于非向量化功能连接矩阵利用Wishart混合模型进行多视图聚类以识别被试簇与脑子网络
机器学习
2021-05-26 v2 机器学习
摘要
在神经科学中，功能磁共振成像(fMRI)是一种非侵入性获取脑活动的重要工具。利用fMRI可推断脑区间的功能连接(FC)，这促成了许多关于脑基本特性的发现。作为FC的重要临床应用，基于FC的被试聚类近来备受关注，其潜在揭示被试中的重要异质性，如精神障碍亚型。特别地，多视图聚类方法是一种强有力的分析工具，它依据被试在特定脑区的FC识别聚类模式。然而，当将现有多视图聚类方法应用于fMRI数据时，需要简化数据结构，独立处理FC矩阵中的元素，即对相关矩阵向量化。此种简化可能扭曲聚类结果。为克服该问题，我们提出一种基于Wishart混合模型的新型多视图聚类方法，其保持相关矩阵结构而不向量化。该方法的独特性在于，被试的多视图聚类基于以数据驱动方式优化的特定节点(或感兴趣区，ROI)网络。因此，它可识别被试簇解与ROI子网络之间多个潜在的关联对。该方法的关键假设是子网络间独立，这通过白化相关矩阵得以有效解决。我们将所提方法应用于合成与fMRI数据，展示了该方法的实用性与效力。
引用
@article{arxiv.2010.09941,
title = {Multiple-view clustering for identifying subject clusters and brain sub-networks using functional connectivity matrices without vectorization},
author = {Tomoki Tokuda and Okito Yamashita and Junichiro Yoshimoto},
journal= {arXiv preprint arXiv:2010.09941},
year = {2021}
}