TPRM：张量分区回归模型及其在影像生物标志物检测中的应用
应用统计
2017-11-09 v2
摘要
医学成像研究已收集高维成像数据，以识别用于诊断、筛查和预后等的影像生物标志物。这些成像数据常以多维数组（称为张量）的形式表示。本文旨在开发一种张量分区回归建模（TPRM）框架，以建立低维临床结果（例如诊断）与高维张量协变量之间的关系。我们的TPRM是一种层次模型，高效地集成了四个部分：(i) 分区模型，(ii) 典型多元分解模型，(iii) 主成分模型，以及 (iv) 带有稀疏诱导正态混合先验的广义线性模型。该框架不仅将超高维降至可管理水平，从而实现高效估计，而且在搜索信息性子张量的过程中优化预测精度。后验计算通过一种高效的马尔可夫链蒙特卡罗（MCMC）算法进行。模拟显示TPRM优于其他几种竞争方法。我们将TPRM应用于利用从阿尔茨海默病神经影像学倡议（ADNI）研究获得的结构磁共振成像数据来预测疾病状态（阿尔茨海默病与对照）。
引用
@article{arxiv.1505.05482,
title = {TPRM: Tensor partition regression models with applications in imaging biomarker detection},
author = {Michelle F. Miranda and Hongtu Zhu and Joseph G. Ibrahim},
journal= {arXiv preprint arXiv:1505.05482},
year = {2017}
}