Penalized discriminant analysis of [/sup 15/O]-water PET brain images with prediction error selection of smoothness and regularization hyperparameters
Notice bibliographique
Résumé
We propose a flexible, comprehensive approach for analysis of [15O]-water positron emission tomography (PET) brain images using a penalized version of linear discriminant analysis (PDA). We applied it to scans from 20 subjects (eight scans/subject) performing a finger movement task and analyzed: 1) two classes to obtain a covariance-normalized baseline-activation image, and 2) eight classes for the mean within subject temporal structure which contained baseline-activation and time-dependent changes in a two-dimensional canonical subspace. We imposed spatial smoothness on the resulting image(s) by expanding it in five tensor-product B-spline (TPS) bases of varying smoothness, and further regularized with a ridge-type penalty on the noise covariance matrix. The discrimination approach of PDA provides a probabilistic framework within which prediction error (PE) estimates are derived. We used these to optimize over TPS bases and a ridge hyperparameter (expressed as equivalent degrees of freedom, EDF). We obtained unbiased, low variance PE estimates using modern resampling tools (.632+ Bootstrap and cross validation), and compared PDA of 1) TPS-projected, mean-normalized and unnormalized scans and 2) mean-normalized scans with and without additional presmoothing. By examining the tradeoffs between PE and EDF, as a function of basis selection and image smoothing we demonstrate the utility of PDA, the PE framework, and the relationship between singular value decomposition and smooth TPS bases in the analysis of functional neuroimages.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».