Open betashort opened 4 years ago
論文リンク：http://repository.bilkent.edu.tr/bitstream/handle/11693/49912/Clustering_fMRI_data_with_a_robust_unsupervised_learning_algorithm_for_neuroscience_data_mining.pdf;jsessionid=E377FA978735887F63A41AF80C4EADAA?sequence=1
公開日時：1 April 2018 実装コード： Publication :
背景 機能的磁気共鳴イメージング（fMRI）研究で使用されているクラスタリングアプローチは、脳の活動を利用して脳をある程度均質な特性を持つ様々な区画に分割しますが、適切なクラスタリングアルゴリズムを選択することは依然として問題となっています。新しい手法を開発しました。本研究では、ロバスト教師なし学習アプローチの新しい応用法が提案されている。ロバスト成長ニューラルガス(RGNG)アルゴリズムをfMRIデータに投入し、この目的や他の医療応用には利用されていない成長ニューラルガス(GNG)アルゴリズムと比較した。本研究で提案した学習アルゴリズムは、実聴と自由聴のfMRIデータセットを用いてフィードした。結果．RGNGを実行して得られたfMRIの結果は，予想された結果の範囲内であり，仮説法で得られた結果と同様の結果が得られた．既存の方法との比較．本研究で提案したRGNG法のfMRI応用は，最小記述長(MDL)と受信機動作特性(ROC)分析による性能が示すように，初期化の違いや外れ値の存在に敏感ではなく，実際のクラスタ数の決定にも成功しているという点で，他の手法に比べて明らかに優れていると考えられる．結論。RGNG は脳内の活動領域を検出し，脳機能を解析し，fMRI データセットにおける最適なクラスタ数を決定することができる．このアルゴリズムは、最小MDL値に対応する出力クラスタの中心位置を定義することができる。
0. 論文情報・リンク
論文リンク：http://repository.bilkent.edu.tr/bitstream/handle/11693/49912/Clustering_fMRI_data_with_a_robust_unsupervised_learning_algorithm_for_neuroscience_data_mining.pdf;jsessionid=E377FA978735887F63A41AF80C4EADAA?sequence=1
公開日時：1 April 2018 実装コード： Publication :
1. どんなもの？
背景 機能的磁気共鳴イメージング（fMRI）研究で使用されているクラスタリングアプローチは、脳の活動を利用して脳をある程度均質な特性を持つ様々な区画に分割しますが、適切なクラスタリングアルゴリズムを選択することは依然として問題となっています。新しい手法を開発しました。本研究では、ロバスト教師なし学習アプローチの新しい応用法が提案されている。ロバスト成長ニューラルガス(RGNG)アルゴリズムをfMRIデータに投入し、この目的や他の医療応用には利用されていない成長ニューラルガス(GNG)アルゴリズムと比較した。本研究で提案した学習アルゴリズムは、実聴と自由聴のfMRIデータセットを用いてフィードした。結果．RGNGを実行して得られたfMRIの結果は，予想された結果の範囲内であり，仮説法で得られた結果と同様の結果が得られた．既存の方法との比較．本研究で提案したRGNG法のfMRI応用は，最小記述長(MDL)と受信機動作特性(ROC)分析による性能が示すように，初期化の違いや外れ値の存在に敏感ではなく，実際のクラスタ数の決定にも成功しているという点で，他の手法に比べて明らかに優れていると考えられる．結論。RGNG は脳内の活動領域を検出し，脳機能を解析し，fMRI データセットにおける最適なクラスタ数を決定することができる．このアルゴリズムは、最小MDL値に対応する出力クラスタの中心位置を定義することができる。
2. 先行研究と比べてどこがすごいの？
3. 技術や手法の"キモ"はどこにある？
4. どうやって有効だと検証した？
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