文献

J-GLOBAL ID：201702217805095803   整理番号：17A0213779

一貫したヒト脳ネットワークモジュールを同定するための新しい確率論的マルチグラフ分解モデル【Powered by NICT】

New Probabilistic Multi-graph Decomposition Model to Identify Consistent Human Brain Network Modules

著者 (6件)： Luo Dijun ,  Huo Zhouyuan ,  Wang Yang ,  Saykin Andrew J. ,  Shen Li ,  Huang Heng
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2016  号： ICDM  ページ： 301-310  発行年： 2016年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： ヒトにおける高レベル認識の基礎となる大規模脳ネットワークを理解するための拡散テンソル画像(DTI)データを用いたヒトコネクトームの構築に専念してきた多くの最近の科学的努力。しかし,ヒト脳結合性研究で不足している適切なネットワーク解析計算ツール。この問題を解決するために,我々が研究した被験者の脳連結性ネットワークからの一貫したネットワークモジュールを同定するための新しい確率的マルチグラフ分解モデルを提案した。まず,既存の確率的ブロックモデルにおける計算量問題を解決するために新しい確率論的グラフ分解モデルを提案した。その後,複数のネットワークを組み込んだと隠れたブロック状態変数を同時に予測して複数の脳ネットワークを横切る共有モジュールを同定するための多重ネットワーク/グラフのための新しい確率的グラフ分解モデルを拡張した。も提案した目的を解決し,モデルパラメータを推定するために効率的な最適化アルゴリズムを導出した。DTI画像と標準ヒト顔画像クラスタリングベンチマークデータセットから構築された重み付きファイバ連結性ネットワークの両方を分析することによってこの方法を検証した。有望な実験結果は,提案した方法の優れた性能を実証した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 計算量 ,  *ヒト ,  連結性 ,  状態変数 ,  *確率論 ,  画像 ,  多重化 ,  *ネットワーク
準シソーラス用語： 最適アルゴリズム ,  モデルパラメータ ,  被験者 ,  ネットワーク解析 ,  拡散テンソル画像 , 【Automatic Indexing@JST】

分類 (3件)： 生体計測  (EL03020C) ,  脳・神経系モデル  (EL02050C) ,  計測機器一般  (AD02000X)

タイトルに関連する用語 (8件)： ヒト ,  脳ネットワーク ,  モジュール ,  同定 ,  マルチ ,  グラフ ,  分解 ,  モデル