Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
 
 
DownloadE-Mail
 Lokale TagsFreigabegeschichteDetailsÜbersicht
  Dimensionality reduction and unsupervised learning techniques applied to clinical psychiatric and neuroimaging phenotypes

Paul, R. (2022). Dimensionality reduction and unsupervised learning techniques applied to clinical psychiatric and neuroimaging phenotypes. PhD Thesis, Technische Universität München, München.

Item is

 

einblenden: alle ausblenden: alle

Basisdaten

einblenden: ausblenden:
Datensatz-Permalink: https://hdl.handle.net/21.11116/0000-000B-4155-C Versions-Permalink: https://hdl.handle.net/21.11116/0000-000B-4156-B
Genre: Hochschulschrift

Dateien

einblenden: Dateien
ausblenden: Dateien
:
Piya Paul.pdf (beliebiger Volltext), 4MB
Öffnen   Speichern
Datei-Permalink:
https://hdl.handle.net/21.11116/0000-000B-4157-A
Name:
Piya Paul.pdf
Beschreibung:
-
OA-Status:
Keine Angabe
Sichtbarkeit:
Öffentlich
MIME-Typ / Prüfsumme:
application/pdf / [MD5]
Technische Metadaten:
Öffnen
Copyright Datum:
-
Copyright Info:
-
Lizenz:
-

Externe Referenzen

einblenden:

Urheber

einblenden:
ausblenden:
 Urheber:
Paul, Riya1, Autor           
Affiliations:
1RG Statistical Genetics, Max Planck Institute of Psychiatry, Max Planck Society, ou_2040288              

Inhalt

einblenden:
ausblenden:
Schlagwörter: -
 Zusammenfassung: Unsupervised learning and other multivariate analysis techniques are increasingly recognized in neuropsychiatric research. Here, finite mixture models and random forests were applied to clinical observations of patients with major depression to detect and validate treatment response subgroups. Further, independent component analysis and agglomerative hierarchical clustering were combined to build a brain parcellation solely on structural covariance information of magnetic resonance brain images.
Übersetzte Kurzfassung:
Unüberwachtes Lernen und andere multivariate Analyseverfahren werden zunehmend auf neuropsychiatrische Fragestellungen angewendet. Finite mixture Modelle wurden auf klinische Skalen von Patienten mit schwerer Depression appliziert, um Therapieantwortklassen zu bilden und mit Random Forests zu validieren. Unabhängigkeitsanalysen und agglomeratives hierarchisches Clustering wurden kombiniert, um die strukturelle Kovarianz von Magnetresonanz­tomographie-Bildern für eine Hirnparzellierung zu nutzen.

Details

einblenden:
ausblenden:
Sprache(n):
 Datum: 2021-01-282022-09-07
 Publikationsstatus: Erschienen
 Seiten: 143
 Ort, Verlag, Ausgabe: München : Technische Universität München
 Inhaltsverzeichnis: -
 Art der Begutachtung: -
 Identifikatoren: -
 Art des Abschluß: Doktorarbeit

Veranstaltung

einblenden:

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle

einblenden: