.png){kind=icon}
返回
BAYESIAN IMAGE-ON-IMAGE REGRESSION VIA DEEP KERNEL LEARNING BASED GAUSSIAN PROCESSES
.png){kind=icon}
PRE
AI
DOI：10.1214/25-AOAS2108.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在神经影像学研究中，使用图像-图像回归（IIR）研究不同成像模态之间的关联变得越来越重要，这面临着解释、统计推断和预测方面的挑战。我们的研究动机是如何使用人类连接组计划（HCP）中的静息态fMRI数据预测任务诱发的fMRI活动。主要困难在于如何在IIR中有效结合不同类型、具有不同分辨率和空间域的成像预测因子。为解决这些问题，我们开发了基于深度核学习高斯过程的贝叶斯图像-图像回归（BIRD-GP），并通过Stein变分梯度下降开发高效的后续计算方法。我们通过大量模拟实验展示了BIRD-GP相对于现有先进IIR方法的优越性，这些实验基于MNIST、Fashion MNIST和HCP的fMRI数据合成数据。在HCP数据分析中，我们结合体素层面的fALFF图和区域层面的连接矩阵来预测语言和社会认知任务的任务fMRI对比图。我们发现fALFF对两个任务的预测能力均不如连接矩阵。此外，我们识别出静息态fMRI数据中对于任务fMRI预测具有重要性的特征。
Keyword:
Bayesian deep learning
human connectome project
neuroimaging
期刊
A
IF:
1.4
论文数:
88
被引数:
5.1K
机构
引用论文
暂无论文信息