A spatial Bayesian latent factor model for image-on-image regression.
A spatial Bayesian latent factor model for image-on-image regression.
复制标题
图像启用图像回归的空间贝叶斯潜在因子模型。
DOI：
10.1111/biom.13420
复制
发表时间：
2022-03
期刊：
影响因子：
1.9
通讯作者：
Johnson TD
中科院分区：
文献类型：
--
作者：
Guo C;Kang J;Johnson TD
使用图像来预测图像的图像-图像回归分析是一项具有挑战性的任务，这是由于1）高维性和2）图像预测器和图像结果中复杂的空间依赖结构。在这项工作中，我们提出了一种新的图像上的图像回归模型，通过扩展的空间贝叶斯潜在因素模型的图像数据，其中低维的潜在因素被采用，使高维图像的结果和图像预测之间的连接。我们将高斯过程先验分配给模型中空间变化的回归系数，这可以很好地捕捉图像结果之间以及图像预测因子之间的复杂空间依赖性。我们进行模拟研究，以评估我们的方法相比，线性回归和体素的回归方法在不同的情况下的样本预测性能。该方法通过有效地考虑空间相关性，有效地降低了图像的潜在因素的尺寸，实现了更好的预测精度。我们应用所提出的方法来分析多模态图像数据在人类连接组项目，我们预测任务相关的对比度地图使用皮层下的体积种子地图。
Image-on-image regression analysis, using images to predict images, is a challenging task, due to 1) the high dimensionality and 2) the complex spatial dependence structures in image predictors and image outcomes. In this work, we propose a novel image-on-image regression model, by extending a spatial Bayesian latent factor model to image data, where low-dimensional latent factors are adopted to make connections between high-dimensional image outcomes and image predictors. We assign Gaussian process priors to the spatially-varying regression coefficients in the model, which can well capture the complex spatial dependence among image outcomes as well as that among the image predictors. We perform simulation studies to evaluate the out-of-sample prediction performance of our method compared with linear regression and voxel-wise regression methods for different scenarios. The proposed method achieves better prediction accuracy by effectively accounting for the spatial dependence and efficiently reduces image dimensions with latent factors. We apply the proposed method to analysis of multimodal image data in the Human Connectome Project where we predict task-related contrast maps using sub-cortical volumetric seed maps.
登录
查看更多内容
DOI：
10.3174/ajnr.a3172
发表时间：
2013-01
期刊：
AJNR. American journal of neuroradiology
影响因子：
--
作者：
Sweeney EM;Shinohara RT;Shea CD;Reich DS;Crainiceanu CM
通讯作者：
Crainiceanu CM
影响因子：
10.9
作者：
Suk HI;Lee SW;Shen D;Alzheimer’s Disease Neuroimaging Initiative
通讯作者：
Alzheimer’s Disease Neuroimaging Initiative
影响因子：
5.7
作者：
Baumann, Oliver;Mattingley, Jason B.
通讯作者：
Mattingley, Jason B.
影响因子：
3.7
作者：
Gelfand, AE;Kim, HJ;Banerjee, S
通讯作者：
Banerjee, S
影响因子：
2.6
作者：
Glover, Gary H.
通讯作者：
Glover, Gary H.