betashort
commented
4 years ago Abstract
one-class SVMは、data drivenな機械学習で脳の活性化検出において斬新なものである。 多くの研究者は、肯定的な予備結果をone-class SVMで得ている。 それでも、既存のアルゴリズムは、複雑化または単純化されすぎていて、それらのパフォーマンスはもっと向上される必要がある。 この研究では、"a modified neighborhood one-class SVM"(MNOC-SVM) で、fMRIデータから脳活性化検出する提案をする。 この手法は、２つの基本的な想定を基盤にしている。 １つは、task-relatedのデータにおいて、特定の機能活動、機能領域に関係のある時系列のボクセルは少量であることと、またそれらのボクセルは、活性化ボクセルとして扱う。 反対に、resting-stateのデータにおいて、resting-state機能的ネットワークと関連のないボクセルは少量であること。これらのボクセルは、不活性化として扱う。 ２つ目は、近いボクセルは、似た活性化/不活性化状態を持つこと。検出精度を高めるために、それぞれのボクセルと近傍の26ボクセルのRV係数を用いた特徴量を追加する。孤立したボクセルまたは領域 task-relatedとresting-stateデータの両方で、MNOC-SVMは機能的活性化した領域を全脳で効率的に検出した。
0. 論文情報・リンク
論文リンク：https://www.sciencedirect.com/science/article/pii/S1746809417301969 公開日時：January 2018 実装コード： Publication : Volume 39, January 2018, Pages 448-458
1. どんなもの？
Data Drivenな解析手法
RV係数を使って、領域の分布を見る。
2. 先行研究と比べてどこがすごいの？
タスク関連のfMRIデータと安静時のfMRIデータの両方において、我々のMNOC-SVM法は、脳全体の活性化された機能領域を効果的に検出することができる。
3. 技術や手法の"キモ"はどこにある？
(a)タスク関連のfMRIデータでは、特定の機能活動や機能領域に関連するボクセルは数個であり、これらのボクセルは活性化ボクセル、すなわち外れ値として同定されるべきである。一方，安静時のfMRIデータでは，安静時の機能ネットワークと関係のないボクセルはごく少数である．これらのボクセルは非活動化ボクセル、つまり外れ値と考えるべきである。(b) 近いボクセルは、同様に活性化された状態または非活性化された状態を持っています。検出精度を向上させるために、以下の特徴を各ボクセルに適用する：各ボクセルとその26個の近傍ボクセルとの間のRV係数（または脳の端にあるボクセルの場合は26個以下）、孤立したボクセルのためのフラグ、および孤立した領域のためのフラグ。
4. どうやって有効だと検証した？
タスク関連fMRIデータと安静時fMRIデータの両方において、全脳活性化検出に有効であることが確認された。
他の安静時fMRI解析法を用いても，特定の安静時機能ネットワークを識別する必要がある．
5. 議論はあるか？
6. 次に読むべき論文はあるか？
7. 実装
8. 参考文献