Dec, 2014

使用 Scikit-Learn 进行神经影像机器学习

PDF
TL;DR本研究介绍了如何使用 Python 语言的机器学习库 Scikit-learn 来处理神经影像数据，采用统计机器学习的方法，包括有监督学习和无监督学习，探究在不同的功能神经影像应用中的优势和应用。
发现论文，激发创造
  • 监督机器学习在系统神经科学中的作用

    该研究回顾了近年来机器学习在神经科学领域中的四个主要方面，包括解决工程问题、识别预测变量、建立大脑简单模型的基准和作为大脑模型的一个例子。机器学习的广泛适用性和易用性表明它应该成为大多数系统神经科学家的工具箱之一。

    May, 2018

  • Python 中的机器学习：Scikit-learn

    Scikit-learn 是一个 Python 模块，集成了各种最先进的机器学习算法，用于解决中等规模的监督和无监督问题，旨在将机器学习带给非专业人士使用通用高级语言，注重易用性，性能和一致的 API。

    Jan, 2012

  • 大规模无监督深度表示学习在脑结构方面的应用

    本篇论文利用深度无监督学习方法提取结构性脑部 MRI 扫描的基本特征表示，不需手动干预或前提领域知识，该方法表现出与 FreeSurfer 特征一致的分类任务性能，并可用于重建脑部图像。

    May, 2018

  • 利用人脑活动指导机器学习

    在本文中，我们介绍了一种新的 “神经权重” 的机器学习方法，该方法将人类大脑活动的 fMRI 测量数据注入到对象识别学习算法的训练过程中，以使其更加符合人类大脑。我们证明了这种方法的有效性，指出了一种新的混合机器学习算法的路径，该算法既从神经元数据中获得灵感，又直接约束神经元数据。

    Mar, 2017

  • 神经影像的深度学习：一项验证研究

    本文验证了深度学习在脑成像和神经科学探索中的应用，并探讨了数据转换的参数选择对学习结果的影响。结果表明，深度学习方法能够学习到生理学上重要的表征，并检测神经成像数据中的潜在关系。

    Dec, 2013

  • MRI 数据处理的机器学习技术在不断扩展的规模下的应用

    医学扫描数据、大规模研究、机器学习训练、分布转变和表征学习是本研究论文的主要关键词和主题。

    Apr, 2024

  • 非完全监督：医学图像分析中的半监督、多实例和迁移学习调查

    机器学习在医学影像领域取得显著进展。针对缺少标注数据，我们总结介绍了如何使用半监督、多示例、迁移学习等学习方法，特别是针对诊断和分割任务。同时，我们探讨了这些学习方法之间的联系和未来的研究机会。

    Apr, 2018

  • 天文学中的机器学习：实用概述

    本文主要介绍了天文学中大数据和机器学习的应用，重点讲解了监督机器学习和无监督机器学习两种算法，包括数据预处理、评估方法、支持向量机、随机森林、浅层神经网络、聚类分析、降维、可视化和异常检测等方面，旨在提高天文学家使用这些工具从海量数据中挖掘新知识的能力。

    Apr, 2019

  • 医学影像的自动化机器学习系统

    该研究探讨了机器学习和自动化机器学习在医学图像分析中的应用，通过使用神经架构搜索和迁移学习等技术来改善人类专家和计算机系统的诊断准确性。

    Jun, 2023

  • 利用自监督学习揭示临床脑电信号的结构

    使用自监督学习技术对无标签的脑电信号数据进行了处理，获得了比使用有标签数据的监督学习深度神经网络更好的效果，并揭示了不同的生理和临床现象之间的潜在结构。

    Jul, 2020