面向动态神经影像数据的平移-拉伸不变性非负矩阵分解及其在放射Tracer 输运数据中的脑组织描绘应用
机器学习
2026-04-10 v1
摘要
动态神经影像数据，例如放射Tracer 在血液或脑脊液中的输运测量，常表现出类似扩散的特性。这些特性引入距离相关的时序延迟、尺度差异以及拉伸效应，限制了常规线性建模和分解方法的有效性。为此，我们提出了平移-拉伸不变性非负矩阵分解框架。该方法估计整数与非整数时序平移以及时序拉伸，全部在频域中实现，其中平移对应相位修改，拉伸通过零填充或截断实现。该模型基于 PyTorch 实现（https://github.com/anders-s-olsen/shiftstretchNMF）。我们在合成数据和脑放射Tracer 数据上演示，该模型能够考虑拉伸效应，提供更详细的脑组织结构表征。
引用
@article{arxiv.2604.08161,
title = {Shift- and stretch-invariant non-negative matrix factorization with an application to brain tissue delineation in emission tomography data},
author = {Anders S. Olsen and Miriam L. Navarro and Claus Svarer and Jesper L. Hinrich and Morten Mørup and Gitte M. Knudsen},
journal= {arXiv preprint arXiv:2604.08161},
year = {2026}
}
备注
Accepted at ICASSP2026