Machine learning for neuroimaging with scikit-learn.
Machine learning for neuroimaging with scikit-learn.
复制标题
DOI：
10.3389/fninf.2014.00014
复制
发表时间：
2014
影响因子：
3.5
通讯作者：
Varoquaux G
中科院分区：
文献类型：
--
作者：
Abraham A;Pedregosa F;Eickenberg M;Gervais P;Mueller A;Kossaifi J;Gramfort A;Thirion B;Varoquaux G
统计机器学习方法越来越多地用于神经成像数据分析。它们的主要优点是能够对高维数据集进行建模，例如，激活图像或静息状态时间序列的多变量分析。监督学习通常用于解码或编码设置，以将大脑图像与行为或临床观察相关联，而无监督学习可以揭示图像集中的隐藏结构（例如，静息状态功能性MRI）或在大的队列中发现亚群。通过考虑不同的功能性神经成像应用，我们说明了如何使用scikit-learn（一个Python机器学习库）来执行一些关键的分析步骤。Scikit-learn包含了一个非常大的统计学习算法集，包括监督和无监督的，它对神经成像数据的应用为研究大脑提供了一个多功能的工具。
Statistical machine learning methods are increasingly used for neuroimaging data analysis. Their main virtue is their ability to model high-dimensional datasets, e.g., multivariate analysis of activation images or resting-state time series. Supervised learning is typically used in decoding or encoding settings to relate brain images to behavioral or clinical observations, while unsupervised learning can uncover hidden structures in sets of images (e.g., resting state functional MRI) or find sub-populations in large cohorts. By considering different functional neuroimaging applications, we illustrate how scikit-learn, a Python machine learning library, can be used to perform some key analysis steps. Scikit-learn contains a very large set of statistical learning algorithms, both supervised and unsupervised, and its application to neuroimaging data provides a versatile tool to study the brain.
登录
查看更多内容
影响因子：
3.5
作者：
Gorgolewski K;Burns CD;Madison C;Clark D;Halchenko YO;Waskom ML;Ghosh SS
通讯作者：
Ghosh SS
影响因子：
5.7
作者：
Pereira F;Mitchell T;Botvinick M
通讯作者：
Botvinick M
影响因子：
7.8
作者：
Hyvärinen, A;Oja, E
通讯作者：
Oja, E
影响因子：
2.9
作者：
Hanson, Stephen Jose;Halchenko, Yaroslav O.
通讯作者：
Halchenko, Yaroslav O.
DOI：
10.1073/pnas.0905267106
发表时间：
2009-08-04
影响因子：
11.1
作者：
Smith, Stephen M.;Fox, Peter T.;Beckmann, Christian F.
通讯作者：
Beckmann, Christian F.