模式识别与人工智能
2025年4月4日 星期五   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2017, Vol. 30 Issue (9): 841-849    DOI: 10.16451/j.cnki.issn1003-6059.201709008
研究与应用 最新目录| 下期目录| 过刊浏览| 高级检索 |
基于超网络的基因和脑影像关联分析*
李蝉秀,郝小可,张道强
南京航空航天大学 计算机科学与技术学院 南京 211106
Hyper-Network Guided Correlation Analysis on Imaging Genetics
LI Chanxiu, HAO Xiaoke, ZHANG Daoqiang
College of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics, Nanjing 211106

全文: PDF (1013 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 基因影像学现有研究大多只重视脑部感兴趣区域的特征提取,而针对脑区与脑区之间相互关联这种连接性特征的研究工作相对较少.最近的研究显示使用结构化的网络模型量化脑区之间的复杂连接可以更好地反映大脑的综合特性.因此,文中提出基于超网络的稀疏多任务典型相关分析算法.首先使用稀疏表示的方法从功能核磁共振图像(fMRI)的时间序列中建立超网络,然后从超网络中提取3种聚类系数作为脑影像特征,最后采用稀疏多任务典型相关分析求得基因与3种影像特征之间的关联.在ADNI数据集上的实验证明文中算法不仅有助于提高基因与影像之间关联分析的能力,还可以发现一些与疾病密切相关的遗传风险因素.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
李蝉秀
郝小可
张道强
关键词 基因影像学 脑功能连接网络 单核苷酸多态性 稀疏典型相关分析 阿尔茨海默病    
Abstract:Imaging genetic studies focus on feature extraction from brain regions-of-interest, but few of them successfully depict the relations among brain areas. It is studied recently that brain properties can be better reflected by adopting a structured network model to quantify the complex connection among brain areas. Accordingly, a hyper-network guided sparse multi-task canonical correlation analysis algorithm is proposed in this paper. Firstly, a sparse representation method is employed and the resting-state fMRI time series are used to construct the hyper-network. Then, three clustering coefficients are extracted from the hyper-network as brain imaging characteristics. Finally, the sparse multi-task canonical correlation analysis is used to acquire the link between genes and three types of image features. The experimental results on ADNI dataset show that the proposed algorithm is helpful to improve the performance of analyzing associations between genotype and phenotype data and discovering some genetic risk factors closely related to the disease.
Key wordsImaging Genetics    Brain Functional Connectivity Network    Single Nucleotide Polymorphisms    Sparse Canonical Correlation Analysis    Alzheimer′s Disease   
收稿日期: 2017-05-06     
ZTFLH: TP 181  
基金资助:国家自然科学基金项目(No.61422204,61473149)、南京航空航天大学基本科研业务费(No.NE2013105)资助
作者简介: 李蝉秀,女,1993年生,硕士研究生,主要研究方向为基因影像学、机器学习.E-mail: lcx_show@nuaa.edu.cn.
郝小可,男,1985年生,博士研究生,主要研究方向为基因影像学、机器学习.E-mail: robinhc@163.com.
张道强(通讯作者),男,1978年生,博士,教授,主要研究方向为模式识别、神经计算、机器学习、数据挖掘.E-mail:dqzhang@nuaa.edu.cn.
引用本文:   
李蝉秀,郝小可,张道强. 基于超网络的基因和脑影像关联分析*[J]. 模式识别与人工智能, 2017, 30(9): 841-849. LI Chanxiu, HAO Xiaoke, ZHANG Daoqiang. Hyper-Network Guided Correlation Analysis on Imaging Genetics. , 2017, 30(9): 841-849.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.201709008      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2017/V30/I9/841
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn