EN

Investigating Community Detection Algorithms and their Capacity as Markers of Brain Diseases

VÝTVAROVÁ, Eva, Jan FOUSEK, Michal MIKL, Irena REKTOROVÁ a Eva HLADKÁ. Investigating Community Detection Algorithms and their Capacity as Markers of Brain Diseases. In International Symposium on Grids and Clouds (ISGC) 2017. Academia Sinica, Taipei, Taiwan: Proceedings of Science. Taipei; Taiwan: Sissa Medialab Srl, 2017. s. 1-14, 14 s. ISSN 1824-8039. doi:10.22323/1.293.0018.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název Investigating Community Detection Algorithms and their Capacity as Markers of Brain Diseases
Autoři VÝTVAROVÁ, Eva (203 Česká republika, domácí), Jan FOUSEK (203 Česká republika, domácí), Michal MIKL (203 Česká republika, domácí), Irena REKTOROVÁ (203 Česká republika, domácí) a Eva HLADKÁ (203 Česká republika, domácí).
Vydání Taipei; Taiwan, International Symposium on Grids and Clouds (ISGC) 2017. Academia Sinica, Taipei, Taiwan: Proceedings of Science, od s. 1-14, 14 s. 2017.
Nakladatel Sissa Medialab Srl
Další údaje
Originální jazyk angličtina
Typ výsledku Stať ve sborníku
Obor Computer sciences, information science, bioinformatics
Stát vydavatele Itálie
Utajení není předmětem státního či obchodního tajemství
Forma vydání elektronická verze "online"
Kód RIV RIV/00216224:14330/17:00098154
Organizační jednotka Fakulta informatiky
ISSN 1824-8039
Doi http://dx.doi.org/10.22323/1.293.0018
Klíčová slova anglicky Classification (of information); Optimization; Population dynamics; Random variables
Příznaky Mezinárodní význam, Recenzováno
Změnil Změnil: RNDr. Pavel Šmerk, Ph.D., učo 3880. Změněno: 18. 5. 2018 06:40.
Anotace
In this paper, we present a workflow for evaluating resting-state brain functional connectivity with different community detection algorithms and their strengths to discriminate between health and Parkinson’s disease (PD) and mild cognitive impairment preceding Alzheimer’s disease (ADMCI). We further analyze the complexity of particular pipeline steps aiming to provide guidelines for both execution on computing infrastructure and further optimization efforts. On a dataset of 50 controls and 70 patients we measured an increased modularity coefficient with 81.8% accuracy of classifying PD versus controls and 76.2% accuracy of classifying ADMCI versus controls. Significantly higher modularity coefficient values were measured when the random matrix theory decomposition was adapted for network construction. These results were observed on networks of 82 nodes based on AAL atlas and 317 nodes based on multimodal parcellation atlas.
Návaznosti
MUNI/A/0897/2016, interní kód MUNázev: Rozsáhlé výpočetní systémy: modely, aplikace a verifikace VI.
Investor: Masarykova univerzita, Grantová agentura MU, Kategorie A - Specifický výzkum - Studentské výzkumné projekty
VytisknoutZobrazeno: 22. 3. 2019 19:50

Další aplikace