Image response regression via deep neural networks
基于深度神经网络的图像响应回归AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦医学图像回归与神经网络，空间变化和受试者异质性不足以归入网络或面板方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
基于深度神经网络的图像响应回归
- 研究问题
- 研究如何描述图像与协变量之间复杂的关联模式，同时在估计中纳入空间平滑性并处理受试者异质性。
- 方法与思路
- 作者在空间变系数模型框架中提出非参数方法，用深度神经网络估计空间变化的系数函数，并保留解释性。
- 材料陈述的贡献
- 摘要称建立估计一致性、选择一致性及渐近误差界，并通过大量模拟与两个功能磁共振数据集展示方法优势。
- 阅读关注点
- 阅读全文应核对网络结构、空间平滑与异质性的建模、选择一致性的目标，以及模拟比较所用指标和基准。
- 阅读边界
- 仅据所给 Crossref 摘要；摘要未说明网络条件、误差界表达式或比较数值，关联分析也不能据此解释为因果效应。
原文摘要
Abstract Delineating associations between images and covariates is a central aim of imaging studies. To tackle this problem, we propose a novel non-parametric approach in the framework of spatially varying coefficient models, where the spatially varying functions are estimated through deep neural networks. Our method incorporates spatial smoothness, handles subject heterogeneity, and provides straightforward interpretations. It is also highly flexible and accurate, making it ideal for capturing complex association patterns. We establish estimation and selection consistency and derive asymptotic error bounds. We demonstrate the method’s advantages through intensive simulations and analyses of two functional magnetic resonance imaging data sets.