Login
- Originaltitel:
- Dimensionality reduction and unsupervised learning techniques applied to clinical psychiatric and neuroimaging phenotypes
- Übersetzter Titel:
- Dimensionalitätsreduktion und unüberwachte Lerntechniken angewandt auf klinisch-psychiatrische und Bildgebungsphänotypen
- Autor:
- Paul, Riya
- Jahr:
- 2021
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- Fakultät für Medizin
- Betreuer:
- Müller-Myhsok, Bertram (Prof. Dr.)
- Gutachter:
- Müller-Myhsok, Bertram (Prof. Dr.); Gagneur, Julien (Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- MED Medizin
- TU-Systematik:
- MED 600; PSY 750
- Kurzfassung:
- 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.
- WWW:
- https://mediatum.ub.tum.de/?id=1591459
- Eingereicht am:
- 28.01.2021
- Mündliche Prüfung:
- 07.09.2021
- Dateigröße:
- 3691959 bytes
- Seiten:
- 143
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20210907-1591459-1-7
- Letzte Änderung:
- 07.09.2022
BibTeX