Riccati-Regularized Precision Matrices for Neuroimaging.
Riccati-Regularized Precision Matrices for Neuroimaging.
复制标题
DOI：
10.1007/978-3-319-59050-9_22
复制
发表时间：
2017-06
期刊：
影响因子：
--
通讯作者：
Davatzikos C
中科院分区：
文献类型：
--
作者：
Honnorat N;Davatzikos C
图论在神经影像学中的引入为大脑连接性的研究提供了极有价值的工具。这些方法需要定义一个图，它通常是通过优化一个不适定的逆问题来估计大脑区域之间的有效连接而得出的。人们已经在开发提取稀疏连接图的方法上投入了大量的努力。
本文旨在强调一种替代方法的优势。我们研究了最近以里卡蒂正则化精度矩阵之名引入的低秩L2正则化矩阵。我们展示了它们在分析皮质厚度图以及从静息态功能磁共振成像扫描中提取功能性生物标志物方面的优势。此外，我们解释了如何通过随机投影进一步提高速度和结果质量。利用人类连接组项目数据集所获得的有前景的结果，以及众多可能的扩展和应用表明，里卡蒂精度矩阵可能会对当前的稀疏方法起到有益的补充作用。
The introduction of graph theory in neuroimaging has provided invaluable tools for the study of brain connectivity. These methods require the definition of a graph, which is typically derived by estimating the effective connectivity between brain regions through the optimization of an ill-posed inverse problem. Considerable efforts have been devoted to the development of methods extracting sparse connectivity graphs. The present paper aims at highlighting the benefits of an alternative approach. We investigate low-rank L2 regularized matrices recently introduced under the denomination of Riccati regularized precision matrices. We demonstrate their benefits for the analysis of cortical thickness map and the extraction of functional biomarkers from resting state fMRI scans. In addition, we explain how speed and result quality can be further improved with random projections. The promising results obtained using the Human Connectome Project dataset, as well as, the numerous possible extensions and applications suggest that Riccati precision matrices might usefully complement current sparse approaches.
登录
查看更多内容
影响因子：
5.7
作者：
Van Essen, David C.;Smith, Stephen M.;Barch, Deanna M.;Behrens, Timothy E. J.;Yacoub, Essa;Ugurbil, Kamil
通讯作者：
Ugurbil, Kamil
影响因子：
34.7
作者：
Alexander-Bloch, Aaron;Giedd, Jay N.;Bullmore, Edward T.
通讯作者：
Bullmore, Edward T.
影响因子：
5.7
作者：
Dale, AM;Fischl, B;Sereno, MI
通讯作者：
Sereno, MI
DOI：
10.1073/pnas.91.11.5033
发表时间：
1994-05-24
影响因子：
11.1
作者：
TONONI, G;SPORNS, O;EDELMAN, GM
通讯作者：
EDELMAN, GM
影响因子：
3.7
作者：
ROUSSEEUW, PJ;CROUX, C
通讯作者：
CROUX, C