基于惩罚模型的 fMRI 数据聚类
机器学习
2020-10-14 v1 机器学习
摘要
功能磁共振成像（fMRI）数据已日益可得，并有助于描述功能连接（FC），即大脑各区域神经元活动的关联性。大脑的此种 FC 可洞察某些神经退行性疾病与精神障碍，因而具有临床重要性。为协助医生进行患者诊断，期望基于 FC 对受试者进行无监督聚类，使数据依据连接的共享特征告知我们患者的分组。由于即便同组患者间 FC 也存在异质性，在仍跨患者汇集各组内信息以描述组水平 FC 的同时，允许受试者水平的连接差异十分重要。为此，我们提出随机协方差聚类模型（RCCM），以基于其 FC 网络同时对受试者聚类、估计各受试者的独特 FC 网络，并推断共享网络特征。尽管现有方法可估计 FC 或利用 fMRI 数据聚类受试者，我们的新颖贡献在于基于相似大脑 FC 对受试者聚类，同时提供组水平与受试者水平的 FC 网络估计。RCCM 相对于其他方法的竞争性表现通过多种设定下的模拟得到展示，在受试者聚类与 FC 网络估计上均获改善。所提方法的效用通过对 43 名健康对照与 61 名诊断为精神分裂症参与者采集的静息态 fMRI 数据集的应用得以证明。
引用
@article{arxiv.2010.06408,
title = {Penalized model-based clustering of fMRI data},
author = {Andrew DiLernia and Karina Quevedo and Jazmin Camchong and Kelvin Lim and Wei Pan and Lin Zhang},
journal= {arXiv preprint arXiv:2010.06408},
year = {2020}
}