文献

J-GLOBAL ID：202002264595562177   整理番号：20A0611144

機能的MRIを用いた脳分離のための分解能ベースのスペクトルクラスタリング【JST・京大機械翻訳】

Resolution-based spectral clustering for brain parcellation using functional MRI

著者 (2件)： Dillon Keith (Department of Electrical and Computer Engineering and Computer Science, University of New Haven, West Haven, CT, USA) ,  Wang Yu-Ping (Department of Biomedical Engineering, Tulane University, New Orleans, LA, USA)
資料名： Journal of Neuroscience Methods  (Journal of Neuroscience Methods)
巻： 335  ページ： Null  発行年： 2020年 
JST資料番号： A1129A  ISSN： 0165-0270  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 脳穿刺は神経画像データを利用するために重要である。個人間の生理学における変動性は,脳のネットワーク構造を同時に推定し分割することに焦点を合わせた最近の研究により,データ駆動アプローチの必要性に導いた。予測モデリングの観点から,データ前処理,パーセル化,およびパーセル検証を展望した。目的は,非見られたデータに最もよく一般化する方法で,パーセルを同定することである。画像科学からの不確実性定量化手法を利用して,予測モデルにおける非分解可能変数のグループとしてパーセルを定義した。モデルパラメータを交差検証により選択した。パーセル化の結果を,それらの再現性とそれらのhelアウトデータを記述する能力の両方に基づいて比較した。このアプローチは,評価基準の選択,モデル次数の選択,および機能的画像処理データのための前処理ステップの最適調整のようなオープン質問のための洞察と戦略を提供する。機能的画像データを用いて新しい方法と確立した手法を比較し,ここで提案した手法が現在のベースラインクラスタリング法よりもより正確でより再現性のあるパーセル化を生成することを見出した。また,この計量は,ベースライン法に対する過剰適合,および他の方法に対するバイアスによる潜在的問題を実証した。分解能のクラスタリングは,現在のベースラインにおいて改善される脳のパーセル化に対して,原理的でロバストなアプローチを提供する。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 画像処理 ,  評価基準 ,  分解能 ,  不確実性 ,  基準線 ,  *穿刺 ,  ロバスト性 ,  再現性 ,  予測モデル ,  ネットワーク構造 ,  前処理
準シソーラス用語： モデルパラメータ ,  データ駆動 ,  ニューロイメージング ,  *機能的MRI , 【Automatic Indexing@JST】

著者キーワード (5件)： 分解能 ,  コネクトミクス ,  脳の区画化 ,  スペクトルクラスタリング ,  fMRI

分類 (2件)： 生体計測  (EL03020C) ,  医用画像処理  (JE04020T)

タイトルに関連する用語 (4件)： 機能的MRI ,  脳 ,  分解能 ,  スペクトルクラスタリング