Modelo numérico de resolución a gran escala para sistemas lineales mixtos mediante multiplicadores alternados : aplicaciones al análisis anatomofuncional del cerebro humano
La neurociencia moderna sostiene que existe una relación entre la funcionalidad cerebral y la conectividad extrínseca. Trabajos anteriores en el área han demostrado que dado un conjunto de sujetos y usando sólo conectividad estructural, medida a través de imágenes de difusión, somos capaces de prede...
Guardado en:
| Autor principal: | |
|---|---|
| Formato: | Tesis de Grado |
| Lenguaje: | Español |
| Publicado: |
2019
|
| Materias: | |
| Acceso en línea: | https://hdl.handle.net/20.500.12110/seminario_nCOM000489_Zanitti |
| Aporte de: |
| Sumario: | La neurociencia moderna sostiene que existe una relación entre la funcionalidad cerebral y la conectividad extrínseca. Trabajos anteriores en el área han demostrado que dado un conjunto de sujetos y usando sólo conectividad estructural, medida a través de imágenes de difusión, somos capaces de predecir la activación funcional de diferentes tipos de respuestas en el cerebro. Sin embargo, ninguno de ellos ha considerado la diferencia de conectividad intra-sujeto, probablemente por la complejidad de los modelos que toman en cuenta esta información. Para abordar este problema proponemos modelar la relación entre funcionalidad y conectividad utilizando un modelo lineal mixto. Este enfoque nos da la ventaja de poder modelar la conectividad intra-sujeto separando los efectos aleatorios propios de cada sujeto de los efectos fijos de la población. Sin embargo, el enfoque de máxima verosimilitud utilizado en la mayoría de paquetesde software tiene la restricción de un alto consumo de memoria. En el aporte principal de este trabajo, proponemos una nueva forma de resolver estos modelos basados en el método de los multiplicadores alternados (o ADMM, por sus siglas en inglés). Este método nos proporciona la ventaja práctica de resolver los problemas de cálculo del enfoque de máxima verosimilitud mientras que nos permite una optimización de escala arbitraria y descentralizada, resolviendo el problema de ajustar un modelo a grandes conjuntos de datos. Finalmente, ilustramos esta mejora comparando nuestros resultados con el trabajo previo realizado por Osher et al. |
|---|