Enhancing Performance of Linked Independent Component Analysis: Investigating the Influence of Subjects and Modalities
Notice bibliographique
Résumé
In recent years, neuroimaging studies have increasingly been acquiring multiple modalities of data. The benefit of integrating multiple modalities through fusion lies in its ability to combine the unique strengths of each modality when analyzed collectively, as opposed to examining each one individually. In 2011, Adrian R. Groves proposed the Linked independent component analysis (LICA) method, which simultaneously models and discovers common features across multiple modalities. LICA has emerged as a powerful technique for analyzing multivariate data, particularly in neuroimaging and biomedical signal processing. The performance of LICA can be affected by the number of subjects and modalities. However, the detailed influence of the number of subjects and modalities on its performance remains an open question. In this study, we test the effects of the number of subjects and modalities on the performance of LICA using both simulated multimodal MRI data and the real multimodal MRI datasets from Autism Brain Imaging Data Exchange II (ABIDE II). Simulated data were utilized to evaluate the influence of subjects and modalities' variabilities. Real multi-site MRI data were used to demonstrate the advantages of multimodal fusion in identifying site-related components and removing site effects. Based on the simulation results, we found that increasing the number of modalities and subjects can improve the results when LICA can not recover the spatial maps or subject courses well. The correlation among subject courses from various modalities, the number of modalities, and the choice of components for decomposition all affect the linking performance of LICA. Our results from real-world datasets also demonstrated the advantages of multimodal fusion by LICA: 1) identify more site-related components; 2) remove more site effects.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».