Generalized Scalar-on-Image Regression Models via Total Variation.
Generalized Scalar-on-Image Regression Models via Total Variation.
复制标题
DOI：
10.1080/01621459.2016.1194846
复制
发表时间：
2017
影响因子：
3.7
通讯作者：
Zhu H
中科院分区：
文献类型：
--
作者：
Wang X;Zhu H
使用成像标记物来预测临床结果可以对公共卫生产生重大影响。本文的目的是发展一类广义标量图像回归模型通过全变差（GSIRM-TV），在广义线性模型的意义下，标量响应和成像预测与标量协变量的存在。GSIRM-TV的一个关键的新奇是，它是假设GSIRM-TV的斜率函数（或图像）属于有界总变差的空间，以明确地说明大多数成像数据的分段平滑性质。我们开发了一个有效的惩罚全变分优化估计未知的斜率函数和其他参数。我们还建立了超额风险的非渐近误差界。这些界限是明确指定的样本大小，图像大小和图像平滑度。我们的模拟表明，GSIRM-TV对许多现有的方法具有上级性能。我们将GSIRM-TV应用于从阿尔茨海默病神经成像倡议（ADNI）数据集获得的海马数据的分析。
The use of imaging markers to predict clinical outcomes can have a great impact in public health. The aim of this paper is to develop a class of generalized scalar-on-image regression models via total variation (GSIRM-TV), in the sense of generalized linear models, for scalar response and imaging predictor with the presence of scalar covariates. A key novelty of GSIRM-TV is that it is assumed that the slope function (or image) of GSIRM-TV belongs to the space of bounded total variation in order to explicitly account for the piecewise smooth nature of most imaging data. We develop an efficient penalized total variation optimization to estimate the unknown slope function and other parameters. We also establish nonasymptotic error bounds on the excess risk. These bounds are explicitly specified in terms of sample size, image size, and image smoothness. Our simulations demonstrate a superior performance of GSIRM-TV against many existing approaches. We apply GSIRM-TV to the analysis of hippocampus data obtained from the Alzheimers Disease Neuroimaging Initiative (ADNI) dataset.
登录
查看更多内容
影响因子：
1.4
作者：
Du, Pang;Wang, Xiao
通讯作者：
Wang, Xiao
影响因子：
1.2
作者：
Guillas, Serge;Lai, Ming-Jun
通讯作者：
Lai, Ming-Jun
影响因子：
2.1
作者：
Needell, Deanna;Ward, Rachel
通讯作者：
Ward, Rachel
广义函数线性模型中的变量选择。
影响因子：
1.7
作者：
Gertheiss, J;Maity, A;Staicu, A-M
通讯作者：
Staicu, A-M
影响因子：
4.5
作者：
Hall, Peter;Horowitz, Joel L.
通讯作者：
Horowitz, Joel L.