机构名称：
¥ 1.0
摘要。大数据集通常包含多个不同的功能集或视图，这些功能集或视图提供了可以通过多视图学习方法利用的互补信息来改善结果。我们研究了解剖学 - 媒体视图da-ta，其中每个大脑解剖结构都用多个特征集描述。特别是，我们专注于扩散MRI的白质微观结构和连通性特征，以及结构MRI的灰质区域和厚度特征集。我们研究了使用多视图方法来改善非成像表型的预测的机器学习方法，包括人口统计学（年龄），运动（力量）和认知（图片词汇）。我们提出了一个可解释的多视图网络（EMV-NET），该网络可以使用不同的解剖学视图来改善预测性能。在此网络中，每个单独的解剖学视图都由特定于视图的特征提取器处理，并且从每个视图中提取的信息都使用可学习的权重融合。接下来是一个基于小波转变的模块，以跨视图访问互补信息，然后将其应用于校准特定视图的信息。此外，校准器还会产生基于注意的校准评分，以表明解剖结构对反应的重要性。在实验中，我们证明了所提出的EMV-NET明显优于基于人类连接组项目（HCP）数据集的几种用于非成像表型预测的最新方法，该方法具有1065个个体。具体而言，我们的方法至少减少了年龄预测MAE至少2.4岁，并提高了相关系数，以至少0.13预测其他两个表型。我们的解释结果表明，对于不同的观点，白质扩散度量的分数各向异性和灰质措施的表面厚度通常更为重要。
使用解剖多视图数据
主要关键词
相关文件推荐
