Dimensionality reduction and unsupervised learning techniques applied to 
clinical psychiatric and neuroimaging phenotypes

Paul, Riya

Datensatz

DATENSATZ AKTIONENEXPORT

Zur Ablage hinzufügen

Lokale TagsFreigabegeschichteDetailsÜbersicht

Freigegeben

Hochschulschrift

Dimensionality reduction and unsupervised learning techniques applied to clinical psychiatric and neuroimaging phenotypes

MPG-Autoren

/persons/resource/persons268756

Paul, Riya
RG Statistical Genetics, Max Planck Institute of Psychiatry, Max Planck Society;

Externe Ressourcen

Es sind keine externen Ressourcen hinterlegt

Volltexte (beschränkter Zugriff)

Für Ihren IP-Bereich sind aktuell keine Volltexte freigegeben.

Volltexte (frei zugänglich)

Piya Paul.pdf
(beliebiger Volltext), 4MB

Ergänzendes Material (frei zugänglich)

Es sind keine frei zugänglichen Ergänzenden Materialien verfügbar

Zitation

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

Zitierlink: https://hdl.handle.net/21.11116/0000-000B-4155-C

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.