ICMLNov, 2015

基于结构化图像的快速聚类方法，用于可扩展的统计分析

PDF
TL;DR本文旨在通过探究基于快速聚类的交替方案，用于替代耗时的函数评估来降低记忆需求，从而处理大规模的脑成像数据。结果表明，基于聚类的压缩在提高之后的估计步骤的精度方面有良好的效果，能够用于分析大型数据集。
brain imagingdimension reductionclusteringcompressionlarge datasets
发现论文，激发创造
  • 基于 fMRI 的大脑状态推断的监督聚类方法

    提出一种基于多个脑区功能磁共振成像信号的预测方法，通过引入层次聚类和特征聚合实现降维，从而提高了预测准确性，并推断了与回归或分类任务相关的脑区的权重分配。

    Apr, 2011

  • 小样本脑图：在具有随机化和聚类的空间相关设计上实现稀疏恢复

    使用稀疏回归模型和变量聚类来解决功能性磁共振成像数据的支持恢复问题。

    Jun, 2012

  • 构建基于时空预测的脑数据表示模型

    通过比较深度学习和几何深度学习的各种建模技术来为未来的研究铺平道路，以有效利用典型的 fMRI 数据集以及其他类似数据集的丰富的时空域，从而为人们对健康和疾病中大脑动态的更加细致的理解、以及减少对专业临床专家的需求提供方法。

    Feb, 2020

  • 大规模连通组学的多通路方法

    该研究提出了一种基于多核系统的、可用于实时处理电子显微镜数据的多通道管道，并演示了其在重建神经元连接性的准确性和速度上的优势。

    Dec, 2016

  • 在千人神经影像数据集上实现因素分析

    本研究比较了两种最近的多主体因子分析方法：Shared Response Model 和 Hierarchical Topographic Factor Analysis，对其进行了分析、算法和代码优化，以实现多节点并行应用的规模化，提供较高的速度市场，同时在真实数据集中表现出很好的强伸缩性和在合成数据集中表现出好的弱伸缩性。

    Aug, 2016

  • 低秩逼近连接组平滑

    本文提出了低秩方法来解决小样本量情况下人脑网络连接分布的估计问题，并通过实验证明这一方法在特定研究领域中的重要性。

    Sep, 2016

  • 利用立方体持久性揭示时变 fMRI 数据的拓扑结构

    使用拓扑学方法编码 fMRI 数据检测时间点后高维空间极小值的并归图，以此来处理数据集中的噪音及人与人之间的差异，并开发了一种聚类和轨迹分析的技术，成功分析儿童和成人在观看电影 “Partly Cloudy” 时的大脑状态和拓扑活动。

    Jun, 2020

  • 脑基因转录的压缩表示

    脑的体系结构过于复杂，需要使用压缩表示来将其变化投影到一个紧凑且可导航的空间中。通过比较基于线性和非线性方法的压缩表示，我们发现深度自编码器在性能和目标领域的各个指标上都表现出卓越的性能，从而支持将其用作代表人脑转录模式的参考标准。

    Oct, 2023

  • 脑协方差选择：利用群体先验改进个体功能连接模型

    通过建立整个脑部的概率模型，利用群体数据来推断个体的脑连接结构，进而探索大规模的功能结构，以及首次展示已知的认知网络是如何成为功能连接图的集成社团的。

    Aug, 2010

  • fMRI 分析的精细功能模式图册

    我们提出了精细分辨率的功能模式图册 (DiFuMo)，由 64 到 1024 个网络组成，很好地提取了降维信号，以及对大量数据处理技术进行了比较和解释。

    Mar, 2020