Collaborative Research: SEI: Independent Component Analysis of Complex-Valued Brain Imaging Data
合作研究:SEI:复值脑成像数据的独立成分分析
基本信息
- 批准号:0612076
- 负责人:
- 金额:$ 29.76万
- 依托单位:
- 依托单位国家:美国
- 项目类别:Standard Grant
- 财政年份:2006
- 资助国家:美国
- 起止时间:2006-07-15 至 2011-06-30
- 项目状态:已结题
- 来源:
- 关键词:
项目摘要
Independent component analysis (ICA) has emerged as an attractive analysis tool for discovering hidden factors in observed data and has been successfully applied for data analysis in a wide array of applications such as biomedicine, communications, finance, and remote sensing. In a good number of these application domains, the data are typically complex valued. This is also the case in biomedical image analysis where ICA has been recognized as a promising tool for studying the brain function. Most biomedical image analysis techniques, however, use only the magnitude information and discard the phase, resulting in an unnecessary loss of information. Moreover, most brain imaging studies collect multiple data types where each existing modality for imaging the brain reports upon a limited domain and provides complementary information. Thus processing of imaging data in its native, complex form and by utilizing multiple modality images promises significant advances in our understanding of the brain function. We propose to develop a class of complex ICA algorithms, in particular for analysis of biomedical imaging data and demonstrate the power of joint data analysis as well as performing the analysis on the complete set of data, i.e., by utilizing both the magnitude and the phase information. We focus upon three image types, functional magnetic resonance imaging (fMRI), structural MRI (sMRI) and diffusion tensor imaging (DTI). These three imaging data provide complementary information about brain connectivity, and all can benefit from the incorporation of a complex-valued data processing approach.The broad impact of the proposed work lies in its potential to substantially impact science and information technology as well as in its educational features. Study of human brain connectivity is a very challenging and rich problem. The ICA-based fusion approach as well as the use of imaging data in its native, complex form, we believe is the key for achieving significant advances in the field. Successful demonstration of our approach for medical imaging data will also benefit other areas of science and technology where data from multiple sources and/or data in complex form need to be jointly analyzed for inferences. A significant broader impact of our proposal is to stimulate research at the interface between medical imaging and information processing by making the tools for the study of brain connectivity widely available through a toolbox and a medical imaging database.
独立的组件分析(ICA)已成为一种有吸引力的分析工具,用于在观察到的数据中发现隐藏的因素,并已成功应用于多种应用程序(例如生物医学,通信,金融和遥感)中的数据分析。 在大量这些应用程序域中,数据通常是复杂的。 在生物医学图像分析中也是如此,其中ICA被认为是研究脑功能的有前途的工具。 但是,大多数生物医学图像分析技术仅使用幅度信息并丢弃阶段,从而导致不必要的信息丢失。 此外,大多数大脑成像研究都会收集多种数据类型,其中每种现有的模态用于对有限的域上的大脑报告并提供互补信息。因此,处理成像数据以其天然,复杂形式并利用多种模态图像的处理有望在我们对大脑功能的理解方面取得重大进展。 我们建议开发一类复杂的ICA算法,尤其是用于分析生物医学成像数据,并证明联合数据分析的能力,并通过利用幅度和相信息来对完整数据集进行分析。我们专注于三种图像类型:功能磁共振成像(fMRI),结构MRI(SMRI)和扩散张量成像(DTI)。 这三个成像数据提供了有关大脑连接性的互补信息,并且所有人都可以从合并复杂的数据处理方法中受益。拟议的工作的广泛影响在于它的潜力有可能影响科学和信息技术以及其教育特征。研究人脑连通性是一个非常具有挑战性和丰富的问题。基于ICA的融合方法以及以其本地复杂形式的成像数据的使用,我们认为是实现该领域取得重大进步的关键。 成功地展示了我们的医学成像数据方法还将受益于其他科学和技术领域,在这些领域中,需要共同分析来自多个来源的数据和/或复杂形式的数据以进行推论。我们的提案的一个重要影响是通过制造通过工具箱和医学成像数据库广泛获得大脑连接性的工具来刺激医学成像和信息处理之间的界面研究。
项目成果
期刊论文数量(0)
专著数量(0)
科研奖励数量(0)
会议论文数量(0)
专利数量(0)
数据更新时间:{{ journalArticles.updateTime }}
{{
item.title }}
{{ item.translation_title }}
- DOI:
{{ item.doi }} - 发表时间:
{{ item.publish_year }} - 期刊:
- 影响因子:{{ item.factor }}
- 作者:
{{ item.authors }} - 通讯作者:
{{ item.author }}
数据更新时间:{{ journalArticles.updateTime }}
{{ item.title }}
- 作者:
{{ item.author }}
数据更新时间:{{ monograph.updateTime }}
{{ item.title }}
- 作者:
{{ item.author }}
数据更新时间:{{ sciAawards.updateTime }}
{{ item.title }}
- 作者:
{{ item.author }}
数据更新时间:{{ conferencePapers.updateTime }}
{{ item.title }}
- 作者:
{{ item.author }}
数据更新时间:{{ patent.updateTime }}
Tulay Adali其他文献
Kernelization of Tensor-Based Models for Multiway Data Analysis
用于多路数据分析的基于张量的模型的核化
- DOI:
- 发表时间:
2013 - 期刊:
- 影响因子:14.9
- 作者:
Qibin Zhao;Guoxu Zhou;Tulay Adali;Liqing Zhang;Andrzej Cichocki - 通讯作者:
Andrzej Cichocki
Linked Component Analysis From Matrices to High-Order Tensors: Applications to Biomedical Data
从矩阵到高阶张量的链接成分分析:在生物医学数据中的应用
- DOI:
10.1109/jproc.2015.2474704 - 发表时间:
2015-08 - 期刊:
- 影响因子:20.6
- 作者:
Yu Zhang;Tulay Adali;Shangli Xie;Andrzej Cichocki - 通讯作者:
Andrzej Cichocki
Tulay Adali的其他文献
{{
item.title }}
{{ item.translation_title }}
- DOI:
{{ item.doi }} - 发表时间:
{{ item.publish_year }} - 期刊:
- 影响因子:{{ item.factor }}
- 作者:
{{ item.authors }} - 通讯作者:
{{ item.author }}
{{ truncateString('Tulay Adali', 18)}}的其他基金
Collaborative Research:CISE-ANR:CIF:Small:Learning from Large Datasets - Application to Multi-Subject fMRI Analysis
合作研究:CISE-ANR:CIF:Small:从大数据集中学习 - 多对象 fMRI 分析的应用
- 批准号:
2316420 - 财政年份:2023
- 资助金额:
$ 29.76万 - 项目类别:
Standard Grant
CIF: Small: Source Separation with an Adaptive Structure for Multi-Modal Data Fusion
CIF:小型:具有自适应结构的源分离,用于多模态数据融合
- 批准号:
1618551 - 财政年份:2016
- 资助金额:
$ 29.76万 - 项目类别:
Standard Grant
CIF: Small: Collaborative Research: Entropy Rate for Source Separation and Model Selection: Applications in fMRI and EEG Analysis
CIF:小型:合作研究:源分离和模型选择的熵率:在功能磁共振成像和脑电图分析中的应用
- 批准号:
1117056 - 财政年份:2011
- 资助金额:
$ 29.76万 - 项目类别:
Standard Grant
III: Small: Collaborative Research: Canonical Dependence Analysis for Multi-modal Data Fusion and Source Separation
III:小:协作研究:多模态数据融合和源分离的典型依赖分析
- 批准号:
1017718 - 财政年份:2010
- 资助金额:
$ 29.76万 - 项目类别:
Standard Grant
Collaborative Research: Complex-Valued Signal Processing and its Application to Analysis of Brain Imaging Data
合作研究:复值信号处理及其在脑成像数据分析中的应用
- 批准号:
0635129 - 财政年份:2006
- 资助金额:
$ 29.76万 - 项目类别:
Standard Grant
Ultra-High-Capacity Optical Communications and Networking: Signal Processing for High-Data-Rate Optical Communications Systems
超高容量光通信和网络:高数据速率光通信系统的信号处理
- 批准号:
0123409 - 财政年份:2002
- 资助金额:
$ 29.76万 - 项目类别:
Standard Grant
CAREER: Maximum Partial Likelihood Methods for Communications
职业:通信的最大部分似然法
- 批准号:
9703161 - 财政年份:1997
- 资助金额:
$ 29.76万 - 项目类别:
Standard Grant
Adaptive Signal Processing for Communications by Maximum Partial Likelihood Estimation
通过最大部分似然估计进行通信的自适应信号处理
- 批准号:
9614236 - 财政年份:1996
- 资助金额:
$ 29.76万 - 项目类别:
Standard Grant
相似国自然基金
高选择性MOF基人工SEI膜可控构筑及其在实用化锂硫电池中的作用机制研究
- 批准号:52362032
- 批准年份:2023
- 资助金额:32 万元
- 项目类别:地区科学基金项目
锂电池SEI的等温电化学形核与生长机制研究
- 批准号:22379014
- 批准年份:2023
- 资助金额:50 万元
- 项目类别:面上项目
锂硫电池用交联聚合物人工SEI的构筑及保护机制研究
- 批准号:22379047
- 批准年份:2023
- 资助金额:50 万元
- 项目类别:面上项目
基于预冷电解液的锂电容预锂化热失控抑制及热耦合SEI成膜机理研究
- 批准号:52307249
- 批准年份:2023
- 资助金额:30 万元
- 项目类别:青年科学基金项目
电解液添加剂构建原位SEI膜及金属锌负极/电解液界面稳定性调控机制研究
- 批准号:
- 批准年份:2022
- 资助金额:30 万元
- 项目类别:青年科学基金项目
相似海外基金
EAGER: COLLABORATIVE RESEARCH: Reversible Solid Electrolyte Interface (SEI) Layers for Advanced Li-ion Batteries and Beyond
EAGER:协作研究:用于先进锂离子电池及其他电池的可逆固体电解质界面 (SEI) 层
- 批准号:
1748279 - 财政年份:2017
- 资助金额:
$ 29.76万 - 项目类别:
Standard Grant
EAGER: COLLABORATIVE RESEARCH: Reversible Solid Electrolyte Interface (SEI) Layers for Advanced Li-ion Batteries and Beyond
EAGER:协作研究:用于高级锂离子电池及其他电池的可逆固体电解质界面 (SEI) 层
- 批准号:
1748414 - 财政年份:2017
- 资助金额:
$ 29.76万 - 项目类别:
Standard Grant
SEI: Collaborative Research: Discovering Unexpected Planets and Other Astronomical Oddities
SEI:合作研究:发现意想不到的行星和其他天文奇异现象
- 批准号:
0713273 - 财政年份:2007
- 资助金额:
$ 29.76万 - 项目类别:
Continuing Grant
SEI: Collaborative Research: Discovering Unexpected Planets and Other Astronomical Oddities
SEI:合作研究:发现意想不到的行星和其他天文奇异现象
- 批准号:
0713259 - 财政年份:2007
- 资助金额:
$ 29.76万 - 项目类别:
Continuing Grant
Collaborative Research: SEI: Computational Methods for Kinship Reconstruction
合作研究:SEI:亲属关系重建的计算方法
- 批准号:
0611998 - 财政年份:2006
- 资助金额:
$ 29.76万 - 项目类别:
Standard Grant