Functional principal component model for high-dimensional brain imaging.
Functional principal component model for high-dimensional brain imaging.
复制标题
高维脑成像的功能主成分模型。
DOI：
10.1016/j.neuroimage.2011.05.085
复制
发表时间：
2011-10-01
期刊：
影响因子：
5.7
通讯作者：
Crainiceanu, Ciprian
中科院分区：
文献类型：
--
作者：
Zipunnikov, Vadim;Caffo, Brian;Yousem, David M.;Davatzikos, Christos;Schwartz, Brian S.;Crainiceanu, Ciprian
我们探讨了在高维脑成像应用中奇异值分解（SVD）和功能主成分分析（FPCA）模型之间的联系。我们正式地将右奇异向量与FPCA的主分数联系起来。这与左奇异向量估计主成分的事实相结合，使我们能够利用SVD的数值效率来充分估计FPCA的成分，即使是对于极高维度的功能对象，如大脑图像。作为一个例子，FPCA模型适用于高分辨率形态测量（RAVENS）图像。确定并讨论了脑容量形态学变化的主要方向。
We explore a connection between the singular value decomposition (SVD) and functional principal component analysis (FPCA) models in high-dimensional brain imaging applications. We formally link right singular vectors to principal scores of FPCA. This, combined with the fact that left singular vectors estimate principal components, allows us to deploy the numerical efficiency of SVD to fully estimate the components of FPCA, even for extremely high-dimensional functional objects, such as brain images. As an example, a FPCA model is fit to high-resolution morphometric (RAVENS) images. The main directions of morphometric variation in brain volumes are identified and discussed.
登录
查看更多内容
影响因子：
3.7
作者：
Crainiceanu CM;Staicu AM;Di CZ
通讯作者：
Di CZ
影响因子：
5.7
作者：
Beckmann, CF;Smith, SM
通讯作者：
Smith, SM
影响因子：
1.9
作者：
Guo, WS
通讯作者：
Guo, WS
影响因子：
10.4
作者：
Schwartz, BS;Stewart, WF;Todd, AC
通讯作者：
Todd, AC
影响因子：
1.1
作者：
Huang, Jianhua Z.;Shen, Haipeng;Buja, Andreas
通讯作者：
Buja, Andreas