Boosting connectome classification via combination of geometric and topological normalizations

Dmitry Petrov, Yulia Dodonova, Leonid Zhukov, Mikhail Belyaev

Результат исследований: Глава в книге, отчете, сборнике статейМатериалы для конференциирецензирование

4 Цитирования (Scopus)

Аннотация

The structural connectome classification is a challenging task due to a small sample size and high dimensionality of feature space. In this paper, we propose a new data prepossessing method that combines geometric and topological connectome normalization and significantly improves classification results. We validate this approach by performing classification between autism spectrum disorder and normal development connectomes in children and adolescents. We demonstrate a significant enhancement in performance using weighted and normalized data over the best available model (boosted decision trees) trained on baseline features.

Язык оригиналаАнглийский
Название основной публикацииPRNI 2016 - 6th International Workshop on Pattern Recognition in Neuroimaging
ИздательInstitute of Electrical and Electronics Engineers Inc.
ISBN (электронное издание)9781467365307
DOI
СостояниеОпубликовано - 24 авг. 2016
Опубликовано для внешнего пользованияДа
Событие6th International Workshop on Pattern Recognition in Neuroimaging, PRNI 2016 - Trento, Италия
Продолжительность: 22 июн. 201624 июн. 2016

Серия публикаций

НазваниеPRNI 2016 - 6th International Workshop on Pattern Recognition in Neuroimaging

Конференция

Конференция6th International Workshop on Pattern Recognition in Neuroimaging, PRNI 2016
Страна/TерриторияИталия
ГородTrento
Период22/06/1624/06/16

Fingerprint

Подробные сведения о темах исследования «Boosting connectome classification via combination of geometric and topological normalizations». Вместе они формируют уникальный семантический отпечаток (fingerprint).

Цитировать