×
瓦迪姆·齐普尼科夫;索尼娅·格雷文;寿浩昌;布莱恩·卡福（Brian S.Caffo）。;丹尼尔·雷奇（Daniel S.Reich）。;西普里安·克雷尼西亚努。

纵向高维主成分分析在多发性硬化扩散张量成像中的应用。 （英语） Zbl 1454.62190号

附录申请。统计。 8，第4期，2175-2202（2014）.
总结：我们开发了一个灵活的框架，用于建模纵向观测的高维成像数据。该方法将重复测量的高维观测值的观测可变性分解为三个附加成分：量化横截面可变性的特定主题成像随机截距，量化多个实现过程中动态不可逆变形的特定主题图像斜率，以及用于量化访问之间可交换效果的主题-视觉特定成像偏差。提出的方法非常快速，可扩展到包括超高维数据在内的研究，并且可以很容易地适应中等计算基础设施并在其上执行。将该方法应用于多发性硬化症（MS）受试者胼胝体的扩散张量成像（DTI）数据的纵向分析。该研究包括在466次访视中观察到的176名受试者。对于每一个受试者和就诊者，该研究包含一个注册的胼胝体DTI扫描，大约30000个体素。

引用于11文件

理学硕士：

62H25个 因子分析和主成分；对应分析
62页第10页 统计学在生物学和医学中的应用；元分析

关键词：

主要成分;线性混合模型;扩散张量成像;脑成像数据;多发性硬化
PDF格式BibTeX公司 XML格式引用
\textit{V.Zipunnikov}等人，Ann.Appl。Stat.8，No.4，2175--2202（2014；Zbl 1454.62190）
全文： 内政部 arXiv公司 欧几里得

参考文献：

[1] D-Slicer（2011）。
[2] Aston，J.A.D.、Chiou，J.-M.和Evans，J.P.（2010）。基于功能主成分混合效应模型的语调分析。J.R.统计社会服务。C.应用。《美国联邦法律大全》第59卷第297-317页·doi:10.1111/j.1467-9876.2009.00689.x
[3] Bigelow，J.L.和Dunson，D.B.（2009年）。功能预报器的贝叶斯半参数联合模型。J.Amer。统计师。协会104 26-36·Zbl 1388.62181号 ·doi:10.1198/jasa.2009.0001
[4] Budavari，T.、Wild，V.、Szalay，A.S.、Dobos，L.和Yip，C.-W.（2009年）。用于新一代调查的可靠本征谱。《皇家天文学会月刊》394 1496-1502。
[5] Crainiceanu，C.M.、Staicu，A.-M.和Di，C.-Z.（2009年）。广义多水平函数回归。J.Amer。统计师。协会104 1550-1561·Zbl 1205.62099号 ·doi:10.1198/jasa.2009.tm08564
[6] Crainiceanu，C.M.、Caffo，B.S.、Luo，S.、Zipunnikov，V.M.和Punjabi，N.M.（2011年）。人口值分解，用于图像人口分析的框架。J.Amer。统计师。协会106 775-790·Zbl 1229.62088号 ·doi:10.1198/jasa.2011.ap10089
[7] Demmel，J.W.（1997）。应用数值线性代数。宾夕法尼亚州费城SIAM·Zbl 0879.65017号
[8] Di，C.、Crainiceanu，C.M.和Jank，W.S.（2010年）。多级稀疏函数主成分分析。统计数字3 126-143。
[9] Di，C.-Z.，Crainiceanu，C.M.，Caffo，B.S.和Punjabi，N.M.（2009年）。多层次函数主成分分析。附录申请。统计数字3 458-488·Zbl 1160.62061号 ·doi:10.1214/08-AOAS206
[10] Everson，R.和Roberts，S.（2000年）。从有限的噪声数据推断协方差矩阵的特征值。IEEE传输。信号处理。48 2083-2091. ·Zbl 0992.94006号 ·数字对象标识代码：10.1109/78.847792
[11] Goldsmith，J.、Crainiceanu，C.M.、Caffo，B.S.和Reich，D.S.（2011）。多发性硬化患者白质束特征的惩罚功能回归分析。神经影像57 431-439。
[12] Golub，G.H.和Van Loan，C.F.（1996年）。矩阵计算，第三版，约翰霍普金斯大学出版社，马里兰州巴尔的摩·Zbl 0865.65009号
[13] Greven，S.、Crainiceanu，C.、Caffo，B.和Reich，D.（2010年）。纵向功能主成分分析。电子。《美国联邦法律大全》第4卷第1022-1054页·Zbl 1329.62334号 ·doi:10.1214/10-EJS575
[14] 郭伟（2002）。功能性混合效应模型。生物统计学58 121-128·Zbl 1209.62072号 ·doi:10.1111/j.0006-341X.2002.00121.x
[15] 霍尔·P、米勒·H·G和姚·F（2008）。用潜在高斯过程模拟稀疏广义纵向观测。J.R.统计社会服务。B统计方法。70 703-723. ·Zbl 05563365号 ·doi:10.1111/j.1467-9868.2008.00656.x
[16] Harville，D.（1976年）。推广高斯-马尔科夫定理，以包括随机效应的估计。安。统计师。4 384-395. ·Zbl 0323.62043号 ·doi:10.1214/aos/1176343414
[17] Hua，Z.W.、Dunson，D.B.、Gilmore，J.H.、Styner，M.和Zhu，H.T.（2012）。扩散张量域统计的半参数贝叶斯局部函数模型。神经影像63 460-474。
[18] Karhunen，K.（1947）。在Wahrscheinlichkeitsrechnung中使用线性方法。Fennicae科学院年鉴37 1-79·Zbl 0030.16502号
[19] Li，Y.、Zhu，H.、Shen，D.、Lin，W.、Gilmore，J.H.和Ibrahim，J.G.（2011）。神经影像数据的多尺度自适应回归模型。J.R.统计社会服务。B统计方法。73 559-578. ·Zbl 1226.62063号 ·文件编号：10.1111/j.1467-9868.2010.00767.x
[20] Loève，M.（1978年）。《概率论II》，第4版，纽约斯普林格出版社·Zbl 0385.60001号
[21] McCulloch，C.E.和Searle，S.R.（2001）。广义、线性和混合模型。纽约威利·Zbl 0964.62061号
[22] Minka，T.P.（2000）。PCA维度的自动选择。高级神经信息处理。系统。13 598-604.
[23] MIPAV（2011年）。
[24] Mohamed，A.和Davatzikos，C.（2004年）。医学图像计算和计算机辅助干预。柏林施普林格。
[25] Mori，S.（2007）。扩散张量成像简介。阿姆斯特丹爱思唯尔。
[26] Morris，J.S.和Carroll，R.J.（2006）。基于小波的函数混合模型。J.R.统计社会服务。B统计方法。68 179-199. ·Zbl 1110.62053号 ·文件编号：10.1111/j.1467-9868.2006.00539.x
[27] Morris，J.S.、Baladadayuthapani，V.、Herrick，R.C.、Sanna，P.和Gutstein，H.（2011）。使用同构功能混合模型自动分析定量图像数据，并应用于蛋白质组学数据。附录申请。统计数字5 894-923·Zbl 1454.62367号 ·doi:10.1214/10-AOAS407
[28] Pujol，S.（2010年）。3D-Slicer（教程）。全国医学图像计算联盟（NA-MIC）。
[29] Raine，C.S.、McFarland，H.和Hohlfeld，R.（2008）。多发性硬化：综合文本。宾夕法尼亚州费城桑德斯。
[30] Reich，D.S.、Ozturk，A.、Calabresi，P.A.和Mori，S.（2010年）。多发性硬化症的自动与常规纤维束成像：变异性和与残疾的相关性。神经影像49 3047-3056。
[31] Reiss，P.T.和Ogden，R.T.（2008）。泛函广义线性模型及其在神经成像中的应用。在英国剑桥大学艾萨克牛顿研究所举办的高维统计数据分析当代前沿海报展示研讨会上。
[32] Reiss，P.T.和Ogden，R.T.（2010）。以图像为预测因子的泛函广义线性模型。生物统计学66 61-69·Zbl 1187.62112号 ·文件编号：10.1111/j.1541-0420.2009.01233.x
[33] Reiss，P.T.、Ogden，R.T.，Mann，J.和Parsey，R.V.（2005）。PET成像数据的功能逻辑回归：体素水平的临床诊断工具。脑血流与代谢杂志25 s635。
[34] Rodríguez，A.、Dunson，D.B.和Gelfand，A.E.（2009年）。通过密度估计进行贝叶斯非参数函数数据分析。生物特征96 149-162·Zbl 1163.62027号 ·doi:10.1093/biomet/asn054
[35] Roweis，S.（1997）。PCA和SPCA的EM算法。高级神经信息处理。系统。10 626-632.
[36] Shinohara，R.、Crainiceanu，C.、Caffe，B.、Gaita，M.I.和Reich，D.S.（2011年）。多发性硬化症血脑血流动力学的人群范围无模型量化。神经影像57 1430-1446。
[37] Shou，H.、Zipunnikov，V.、Crainiceanu，C.和Greven，S.（2013）。结构化功能主成分分析。可从获取。arXiv公司：1304.6783·Zbl 1393.62099号
[38] Staicu，A.-M.、Crainiceanu，C.M.和Carroll，R.J.（2010年）。空间相关多级功能数据的快速分析。生物统计学11 177-194。
[39] Weng，J.、Zhang，Y.和Hwang，W.S.（2003）。无协方差增量主成分分析。IEEE模式分析和机器智能汇刊25 1034-1040。
[40] Xiao，L.、Ruppert，D.、Zipunnikov，V.和Crainiceanu，C.（2013）。高维功能数据的快速协方差估计。可在上获取。arXiv公司：1306.5718·Zbl 1342.62094号 ·doi:10.1007/s11222-014-9485-x
[41] Yuan，Y.、Gilmore，J.H.、Geng，X.、Styner，M.、Chen，K.、Wang，J.L.和Zhu，H.（2014）。Fmem：用于分析纵向白质束数据的功能混合效应模型。神经影像84 753-764。
[42] Zhao，H.，Yuen，P.C.和Kwok，J.T.（2006）。一种新的增量主成分分析及其在人脸识别中的应用。IEEE系统、人与控制论汇刊，B部分：控制论36 873-886。
[43] Zhu，H.、Brown，P.J.和Morris，J.S.（2011）。函数混合模型框架中的稳健、自适应函数回归。J.Amer。统计师。协会106 1167-1179·Zbl 1229.62053号 ·doi:10.1198/jasa.2011.tm10370
[44] Zipunnikov，V.、Caffo，B.、Yousem，D.M.、Davatzikos，C.、Schwartz，B.S.和Crainiceanu，C.（2011年a）。高维数据的多级函数主成分分析。J.计算。图表。统计师。20 852-873之间·doi:10.1198/jcgs.201.10122
[45] Zipunnikov，V.、Caffo，B.、Yousem，D.M.、Davatzikos，C.、Schwartz，B.S.和Crainiceanu，C.M.（2011年B）。高维脑容量测量的功能主成分模型。神经影像58 772-784。
[46] Zipunnikov，V.、Greven，S.、Shou，H.、Caffo，B.、Reich，D.S.和Crainiceanu，C.（2014）。补充“应用于多发性硬化扩散张量成像的纵向高维主成分分析”·兹比尔1454.62190 ·doi:10.1214/14-AOAS748
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。