1. Med Image Anal. 2014 Nov 8. pii:

1. Med Image Anal. 2014 Nov 8. pii: S1361-8415(14)00157-1. doi:
10.1016/j.media.2014.10.011. [Epub ahead of print]

Sparse representation of whole-brain fMRI signals for identification of
functional networks.

Lv J(1), Jiang X(2), Li X(2), Zhu D(2), Chen H(2), Zhang T(1), Zhang S(2), Hu
X(3), Han J(3), Huang H(4), Zhang J(5), Guo L(3), Liu T(2).

Author information:
(1)School of Automation, Northwestern Polytechnical University, China; Cortical
Architecture Imaging and Discovery Lab, Department of Computer Science and
Bioimaging Research Center, The University of Georgia, Athens, GA, United States.
(2)Cortical Architecture Imaging and Discovery Lab, Department of Computer
Science and Bioimaging Research Center, The University of Georgia, Athens, GA,
United States. (3)School of Automation, Northwestern Polytechnical University,
China. (4)Department of Computer Science and Engineering, University of Texas at
Arlington, TX, United States. (5)Department of Mathematics and Statistics,
Georgia State University, GA, United States.

There have been several recent studies that used sparse representation for fMRI
signal analysis and activation detection based on the assumption that each
voxel's fMRI signal is linearly composed of sparse components. Previous studies
have employed sparse coding to model functional networks in various modalities
and scales. These prior contributions inspired the exploration of whether/how
sparse representation can be used to identify functional networks in a voxel-wise
way and on the whole brain scale. This paper presents a novel, alternative
methodology of identifying multiple functional networks via sparse representation
of whole-brain task-based fMRI signals. Our basic idea is that all fMRI signals
within the whole brain of one subject are aggregated into a big data matrix,
which is then factorized into an over-complete dictionary basis matrix and a
reference weight matrix via an effective online dictionary learning algorithm.
Our extensive experimental results have shown that this novel methodology can
uncover multiple functional networks that can be well characterized and
interpreted in spatial, temporal and frequency domains based on current brain
science knowledge. Importantly, these well-characterized functional network
components are quite reproducible in different brains. In general, our methods
offer a novel, effective and unified solution to multiple fMRI data analysis
tasks including activation detection, de-activation detection, and functional
network identification.

Copyright © 2014 Elsevier B.V. All rights reserved.

PMID: 25476415 [PubMed - as supplied by publisher]

ผลลัพธ์ (ไทย) 1:

1. รูปภาพเม็ดทางทวารหนัก 8 2014 พฤศจิกายน pii: S1361-8415 (14) 00157-1 ดอย:10.1016/j.media.2014.10.011 [Epub ก่อนพิมพ์]บ่อแสดงสัญญาณทั้งหมดสมอง fMRI สำหรับการระบุเครือข่ายการทำงานLv J(1), X(2), X(2), D(2), H(2), T(1), S(2) หูจางจางเฉินซูลี่เจียงX(3) ฮา J(3) หวง H(4) เตียว J(5) กัว L(3) หลิว T(2)รายละเอียดผู้เขียน: (1)โรงเรียนอัตโนมัติ ตะวันตกเฉียงเหนือโพลีเทคนิคมหาวิทยาลัย จีน เนื้อแน่นภาพสถาปัตยกรรมและค้นพบห้องปฏิบัติ แผนกวิทย์ และBioimaging ศูนย์วิจัย มหาวิทยาลัยจอร์เจีย เอเธนส์ GA สหรัฐอเมริกา(2)ภาพสถาปัตยกรรมเนื้อแน่นและค้นพบห้องปฏิบัติ แผนกคอมพิวเตอร์วิทยาศาสตร์และศูนย์วิจัย Bioimaging มหาวิทยาลัยจอร์เจีย เอเธนส์ GAสหรัฐอเมริกา (3)โรงเรียนอัตโนมัติ มหาวิทยาลัยโพลีเทคนิคตะวันตกเฉียงเหนือประเทศจีน (4)แผนกคอมพิวเตอร์วิทยาศาสตร์และวิศวกรรมศาสตร์ มหาวิทยาลัยเทกซัส อาร์ลิงตัน TX สหรัฐอเมริกา (5)ภาควิชาคณิตศาสตร์และสถิติมหาวิทยาลัยจอร์เจีย GA สหรัฐอเมริกามีหลายการศึกษาล่าสุดที่ใช้แทนบ่อ fMRIสัญญาณตามสมมติฐานตรวจสอบวิเคราะห์และเปิดใช้งานแต่ละของว็อกเซล fMRI สัญญาณเชิงเส้นประกอบด้วยบ่อประกอบ การศึกษาก่อนหน้านี้มีการจ้างงานเบารหัสการจำลองเครือข่ายทำงาน modalities ต่าง ๆและเครื่องชั่งน้ำหนัก ผลงานเหล่านี้ทราบแรงบันดาลใจจากการสำรวจว่า/วิธีแสดงบ่อสามารถใช้เพื่อระบุเครือข่ายที่ทำงานในการ wise ว็อกเซลวิธี และในทั้งสมองขนาด เอกสารนี้แสดงนิยาย อื่น ๆวิธีการระบุหลายเครือข่ายทำงานผ่านบ่อแทนของสมองทั้งงาน fMRI สัญญาณ ความคิดพื้นฐานของเราคือสัญญาณ fMRI ทั้งหมดภายในสมองทั้งหมดของเรื่องหนึ่งจะรวมเป็นเมทริกซ์ข้อมูลขนาดใหญ่ซึ่งเป็น factorized จากนั้นเป็นการเกินทำพจนานุกรมเกณฑ์เมตริกซ์และเมตริกซ์น้ำหนักอ้างอิงผ่านอัลกอริทึมการเรียนรู้พจนานุกรมออนไลน์ที่มีประสิทธิภาพผลการทดลองของเราอย่างละเอียดแสดงให้เห็นว่า วิธีนี้นวนิยายสามารถหลายเครือข่ายทำงานที่ดีทั้งหมดสามารถค้นพบ และแปลความหมายในปริภูมิ ขมับ และโดเมนความถี่ตามสมองปัจจุบันความรู้วิทยาศาสตร์ สำคัญ เหล่านี้ characterized ห้องทำงานเครือข่ายส่วนประกอบค่อนข้างจำลองในสมองที่แตกต่างกัน โดยทั่วไป วิธีนำเสนอนวนิยาย แก้ไขประสิทธิภาพ และประกอบการวิเคราะห์ข้อมูล fMRI หลายงานรวมถึงการเปิดใช้งานตรวจสอบ ตรวจสอบการเปิดใช้งานลูกค้า และการทำงานรหัสเครือข่ายลิขสิทธิ์ © ปี 2014 Elsevier b.v สงวนลิขสิทธิ์ทั้งหมดPMID: 25476415 [PubMed - จัดให้ผู้เผยแพร่]

ผลลัพธ์ (ไทย) 2:

1. Med ภาพก้น 2014 พฤศจิกายน 8. PII: S1361-8415 (14) 00157-1 ดอย:
10.1016 / j.media.2014.10.011 [Epub ก่อนพิมพ์] แทนเบาบางของทั้งสมอง fMRI สัญญาณสำหรับบัตรประจำตัวของเครือข่ายการทำงาน. Lv J (1), เจียง X (2) หลี่เอ็กซ์ (2) จู้ (2), เฉิน H (2) Zhang T (1), Zhang S (2), Hu X (3), ฮันเจ (3) หวาง H (4), Zhang J (5), Guo L (3) หลิว T (2). ข้อมูลผู้เขียน : (1) โรงเรียนอัตโนมัติ, มหาวิทยาลัยสารพัดช่าง Northwestern, จีน; เยื่อหุ้มสมองสถาปัตยกรรมการถ่ายภาพและการค้นพบ Lab ภาควิชาวิทยาการคอมพิวเตอร์และBioimaging ศูนย์วิจัยมหาวิทยาลัยจอร์เจีย, เอเธนส์, GA, สหรัฐอเมริกา. (2) เปลือกนอกสถาปัตยกรรมการถ่ายภาพและการค้นพบ Lab, วิชาคอมพิวเตอร์วิทยาศาสตร์และ Bioimaging ศูนย์วิจัยมหาวิทยาลัย จอร์เจีย, เอเธนส์, GA, สหรัฐอเมริกา (3) โรงเรียนอัตโนมัติ, มหาวิทยาลัยสารพัดช่าง Northwestern, ประเทศจีน (4) ภาควิชาวิทยาการคอมพิวเตอร์และวิศวกรรม, มหาวิทยาลัยเท็กซัสอาร์ลิงตัน, เท็กซัส, สหรัฐอเมริกา (5) ภาควิชาคณิตศาสตร์และสถิติ, มหาวิทยาลัยรัฐจอร์เจีย, GA, สหรัฐอเมริกา. มีการศึกษาเมื่อเร็ว ๆ นี้หลายอย่างที่นำมาใช้แทนเบาบางสำหรับ fMRI การวิเคราะห์สัญญาณและการตรวจสอบยืนยันการใช้งานอยู่บนสมมติฐานว่าแต่ละfMRI voxel สัญญาณประกอบด้วยเส้นตรงของส่วนประกอบเบาบาง . การศึกษาก่อนหน้ามีการจ้างงานการเข้ารหัสเบาบางแบบจำลองเครือข่ายการทำงานในรังสีต่างๆและเครื่องชั่งน้ำหนัก การมีส่วนร่วมก่อนที่เหล่านี้เป็นแรงบันดาลใจในการสำรวจว่า / วิธีการเป็นตัวแทนเบาบางสามารถนำมาใช้เพื่อระบุเครือข่ายการทำงานใน voxel ฉลาดทางและในระดับสมองทั้ง บทความนี้นำเสนอนวนิยายทางเลือกวิธีการในการระบุเครือข่ายการทำงานต่างๆผ่านทางตัวแทนเบาบางของงานที่ใช้ทั้งสมอง fMRI สัญญาณ ความคิดพื้นฐานของเราคือว่าทุกสัญญาณ fMRI ภายในสมองทั้งหมดของเรื่องใดเรื่องหนึ่งที่มีการรวมเป็นเมทริกซ์ข้อมูลขนาดใหญ่, ซึ่งเป็นตัวประกอบแล้วเป็นเมทริกซ์พื้นฐานพจนานุกรมกว่าที่สมบูรณ์และเมทริกซ์น้ำหนักอ้างอิงผ่านทางพจนานุกรมออนไลน์ที่มีประสิทธิภาพขั้นตอนวิธีการเรียนรู้. ที่กว้างขวางของเรา ผลการทดลองแสดงให้เห็นว่าวิธีการนวนิยายเรื่องนี้สามารถค้นพบเครือข่ายการทำงานหลายตัวที่สามารถจะมีลักษณะดีและตีความในเชิงพื้นที่เวลาและโดเมนความถี่ขึ้นอยู่กับสมองในปัจจุบันความรู้ทางวิทยาศาสตร์ ที่สำคัญเหล่านี้ดีมีลักษณะเฉพาะเครือข่ายการทำงานส่วนประกอบค่อนข้างทำซ้ำในสมองที่แตกต่างกัน โดยทั่วไปวิธีการของเรานำเสนอนวนิยาย, การแก้ปัญหาที่มีประสิทธิภาพและครบวงจรเพื่อหลาย fMRI วิเคราะห์ข้อมูลงานรวมทั้งการตรวจสอบการเปิดใช้งานการตรวจสอบ de-การเปิดใช้งานและการทำงานประจำตัวเครือข่าย. ลิขสิทธิ์© 2014 Elsevier BV สงวนลิขสิทธิ์. PMID: 25476415 [PubMed - เป็นที่จัด โดยสำนักพิมพ์]

ผลลัพธ์ (ไทย) 3:

1 ด้วยภาพที่ทวารหนัก 2010 พฤศจิกายน 8 พี : s1361-8415 ( 14 ) 00157-1 . ดอย :
10.1016/j.media.2014.10.011 . [ พิมพ์ ] ePub ก่อน

หร็อมแหร็มเป็นตัวแทนของสัญญาณสำหรับการสแกนสมองทั้งสมองการทำงานเครือข่าย


LV J ( 1 ) , ( 2 ) , หลี่เจียง x x ( 2 ) , จู D ( 2 ) H ( , 2 ) , Chen Zhang T ( 1 ) จาง ( 2 ) , หู
x ( 3 ) , ฮันเจ ( 3 ) , ( 4 ) , จางหวง H J ( 5 ) , Guo L ( 3 ) , หลิวตัน ( 2 ) . ข้อมูลผู้เขียน :


( 1 ) โรงเรียนอัตโนมัติทางทิศตะวันตกเฉียงเหนือของ polytechnical มหาวิทยาลัย , จีน ; ภาพสถาปัตยกรรมคอร์
และการค้นพบห้องปฏิบัติการ ภาควิชาวิทยาการคอมพิวเตอร์ และศูนย์วิจัย bioimaging
, มหาวิทยาลัยจอร์เจีย , เอเธนส์ , Ga , สหรัฐอเมริกา .
( 2 ) ภาพสถาปัตยกรรมคอร์และการค้นพบ Lab ภาควิชาวิทยาการคอมพิวเตอร์
และศูนย์วิจัย bioimaging , มหาวิทยาลัยจอร์เจีย , เอเธนส์
GA , สหรัฐอเมริกา( 3 ) โรงเรียนอัตโนมัติ polytechnical ทางทิศตะวันตกเฉียงเหนือมหาวิทยาลัย
จีน ( 4 ) ภาควิชาวิทยาศาสตร์คอมพิวเตอร์และวิศวกรรม มหาวิทยาลัยเทกซัส
อาร์ลิงตัน , เท็กซัส , สหรัฐอเมริกา ( 5 ) ภาควิชาคณิตศาสตร์และสถิติ
Georgia State University , GA , สหรัฐอเมริกา .

มีการศึกษาล่าสุดหลายที่ใช้เป็นตัวแทนสำหรับ fMRI
ป่าโปร่งการวิเคราะห์สัญญาณและการตรวจสอบการเปิดใช้งานอยู่บนสมมติฐานที่ว็อกเซลแต่ละ
fMRI สัญญาณเป็นเส้นตรงประกอบด้วย ส่วนประกอบ ป่าโปร่ง การศึกษาก่อนหน้านี้ได้ใช้บางนะครับ

แบบเครือข่ายการทำงานในรูปแบบต่าง ๆ และเกล็ด ผลงานเหล่านี้เป็นแรงบันดาลใจก่อน สำรวจว่า อย่างไรเบาบาง
แทนสามารถใช้เพื่อระบุเครือข่ายการทำงานในปัญญา
ว็อกเซลและในระดับสมองทั้งหมด บทความนี้นำเสนอวิธีการทางเลือกใหม่ของการระบุเครือข่ายการทำงานหลาย

การเบาบางของทั้งสมองทางภาษาสัญญาณ fMRI . ความคิดพื้นฐานของเราคือสัญญาณทั้งหมด fMRI
ภายในสมองทั้งหมดของเรื่องใดเรื่องหนึ่ง จะรวบรวมเป็นข้อมูลเมทริกซ์ขนาดใหญ่
ซึ่งเป็นแล้วปัจจัยเป็นมากกว่าสมบูรณ์พจนานุกรมพื้นฐาน Matrix และ
อ้างอิงน้ำหนักเมทริกซ์ทางออนไลน์ที่มีประสิทธิภาพพจนานุกรมการเรียนรู้ขั้นตอนวิธี .
ผลที่กว้างขวางของเราทดลองแสดงให้เห็นว่าวิธีการใหม่นี้สามารถ
ค้นพบเครือข่ายการทำงานหลายที่สามารถดีลักษณะ
ตีความการชั่วคราวและความถี่โดเมนตามความรู้วิทยาศาสตร์สมอง
ปัจจุบัน ที่สำคัญ เหล่านี้คือลักษณะการทำงานของเครือข่าย
ส่วนประกอบค่อนข้าง ) ในสมองที่แตกต่างกัน โดยทั่วไป
วิธีการของเราเสนอนวนิยายที่มีประสิทธิภาพและโซลูชั่นแบบครบวงจรเพื่องานวิเคราะห์ข้อมูล fMRI หลายรวมถึงการตรวจสอบการเปิดใช้งาน
, การตรวจสอบและกำหนดเครือข่ายการทำงาน
.

ลิขสิทธิ์© 2014 ทั่วโลกนำเสนอสงวนสิทธิ์ทั้งหมด

pmid : 25476415 [ PubMed - จัดโดยสำนักพิมพ์ ]