Eigenanatomy improves detection power for longitudinal cortical change.
Eigenanatomy improves detection power for longitudinal cortical change.
复制标题
DOI：
10.1007/978-3-642-33454-2_26
复制
发表时间：
2012
期刊：
影响因子：
--
通讯作者：
Gee, James C.
中科院分区：
文献类型：
--
作者：
Avants, Brian;Dhillon, Paramveer;Kandel, Benjamin M.;Cook, Philip A.;McMillan, Corey T.;Grossman, Murray;Gee, James C.
我们提出了一种新的和可解释的降维策略，特征解剖学，该策略针对神经成像数据进行了调整。该方法利用稀疏的、无符号的并且在解剖上聚集的基函数(特征解剖向量)来近似图像集的特征分解。我们使用特征解剖向量作为解剖预测因子来提高形态测量中的检测能力。标准的基于体素的形态测量(VBM)逐个体素地分析成像数据，然后使用基于簇或体素的多重比较校正方法来确定重要性。特征解剖通过首先对体素数据进行聚类，然后在这个降维空间中使用标准线性回归来颠倒标准的操作顺序。与传统的感兴趣区域(ROI)分析一样，该策略可以极大地提高检测能力。我们的结果表明，特征解剖学提供了一个原则性的目标函数，该函数导致了局部的、数据驱动的感兴趣区域。这些区域提高了我们对两种不同形式的神经变性的皮质变化的生物学上可信的比率进行量化的能力。我们详细介绍了该算法，并展示了其有效性的实验证据。
We contribute a novel and interpretable dimensionality reduction strategy, eigenanatomy, that is tuned for neuroimaging data. The method approximates the eigendecomposition of an image set with basis functions (the eigenanatomy vectors) that are sparse, unsigned and are anatomically clustered. We employ the eigenanatomy vectors as anatomical predictors to improve detection power in morphometry. Standard voxel-based morphometry (VBM) analyzes imaging data voxel-by-voxel—and follows this with cluster-based or voxel-wise multiple comparisons correction methods to determine significance. Eigenanatomy reverses the standard order of operations by first clustering the voxel data and then using standard linear regression in this reduced dimensionality space. As with traditional region-of-interest (ROI) analysis, this strategy can greatly improve detection power. Our results show that eigenanatomy provides a principled objective function that leads to localized, data-driven regions of interest. These regions improve our ability to quantify biologically plausible rates of cortical change in two distinct forms of neurodegeneration. We detail the algorithm and show experimental evidence of its efficacy.
登录
查看更多内容
影响因子：
3.7
作者：
Witten DM;Tibshirani R
通讯作者：
Tibshirani R
影响因子：
5.7
作者：
Yushkevich, Paul A.;Avants, Brian B.;Das, Sandhitsu R.;Pluta, John;Altinay, Murat;Craige, Caryne
通讯作者：
Craige, Caryne
影响因子：
10.2
作者：
d'Aspremont, Alexandre;El Ghaoui, Laurent;Lanckriet, Gert R. G.
通讯作者：
Lanckriet, Gert R. G.
影响因子：
5.8
作者：
Kim, Hyunsoo;Park, Haesun
通讯作者：
Park, Haesun
影响因子：
2.9
作者：
Hosoda, Kenji;Watanabe, Masataka;Fujita, Ichiro
通讯作者：
Fujita, Ichiro