文献

J-GLOBAL ID：201802222351922387   整理番号：18A0185302

スパース分類による重要な解剖学検出:比較研究【Powered by NICT】

Significant Anatomy Detection Through Sparse Classification: A Comparative Study

著者 (4件)： Zhang Li (Mathematical and Statistical Sciences Department, University of Alberta, Edmonton, AB, Canada) ,  Cobzas Dana (Biomedical Engineering Department, University of Alberta, Edmonton, AB, Canada) ,  Wilman Alan H. (Biomedical Engineering Department, University of Alberta, Edmonton, AB, Canada) ,  Kong Linglong (Mathematical and Statistical Sciences Department, University of Alberta, Edmonton, AB, Canada)
資料名： IEEE Transactions on Medical Imaging  (IEEE Transactions on Medical Imaging)
巻： 37  号： 1  ページ： 128-137  発行年： 2018年 
JST資料番号： H0895A  ISSN： 0278-0062  CODEN： ITMID4  資料種別： 逐次刊行物 (A)
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： は高次元神経画像データにおける識別解剖検出のための比較研究を行った。大部分の研究は質量単変量手法を用いてこの問題を解くが,最近の研究は,優れた精度とスパース分類モデルを用いた変数選択を示した。二種類の画像ベース正則化法のグラフネット(GN)モデルまたは全変動(TV)モデルのいずれかに基づいた文献で提案されている。これらの研究は,画像ベース正則化を用いた場合の結果の増加した分類精度と解釈可能性を示したが,回収された重要な領域の精度と品質に注目しなかった。本論文では,我々は,復元されたスパース係数の限界と四種類のモデル(GNペナルティと二TVペナルティに基づく二)における対応する選択された画像領域を理論的に証明した。実際に,模擬データにグランドトルースと比較して選択した領域の精度を測定することにより,理論的知見を確認した。は,実際のMRIデータを用いた交差検証倍以上回収された領域の安定性を評価した。著者らの知見は,TVペナルティがGNモデルよりも優れていることを示した。さらに,l_2ペナルティを加えること推定された係数の精度を改善することを示し,両タイプのモデルのための重要な領域を選択した。Copyright 2018 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： 高次元 ,  画像 ,  ペナルティ ,  品質 ,  *解剖学 ,  *解剖 ,  *透視図法 ,  正則化
準シソーラス用語： グランドトゥルース ,  分類精度 ,  総変動 ,  変数選択 ,  分類モデル ,  ニューロイメージング , 【Automatic Indexing@JST】

分類 (1件)： 医用画像処理  (JE04020T)

タイトルに関連する用語 (3件)： 分類 ,  解剖学 ,  研究