Introduzione e Metodi: La tesi analizza la stratificazione di 58 soggetti da dati fMRI di connettività cerebrale. Per eliminare il rumore di fondo, i dati grezzi vengono ridotti tramite PCA individuale e gradienti funzionali (BrainSpace). I profili ottenuti vengono poi elaborati in parallelo da tre algoritmi di clustering: K-means, Gerarchico e Spectral Clustering.Risultati: Tutti e tre i metodi convergono stabilmente sulla scelta di due macro-cluster ($K=2$). Questa coerenza dimostra la solidità statistica della classificazione e l'efficacia della riduzione della dimensionalità.

Metodi di Machine Learning per l'identificazione di sottogruppi mediante matrici di connettività molecolare derivate da PET dinamica

CANTARINI, FILIPPO
2025/2026

Abstract

Introduzione e Metodi: La tesi analizza la stratificazione di 58 soggetti da dati fMRI di connettività cerebrale. Per eliminare il rumore di fondo, i dati grezzi vengono ridotti tramite PCA individuale e gradienti funzionali (BrainSpace). I profili ottenuti vengono poi elaborati in parallelo da tre algoritmi di clustering: K-means, Gerarchico e Spectral Clustering.Risultati: Tutti e tre i metodi convergono stabilmente sulla scelta di due macro-cluster ($K=2$). Questa coerenza dimostra la solidità statistica della classificazione e l'efficacia della riduzione della dimensionalità.
2025
Machine Learning Methods for the Identification of Population Subgroups Using Molecular Connectivity Matrices Derived from Dynamic PET
Connettività PET
Clustering
Gradienti
PCA
Neuroimaging
File in questo prodotto:
File Dimensione Formato  
Cantarini_Filippo.pdf

accesso aperto

Dimensione 2.32 MB
Formato Adobe PDF
2.32 MB Adobe PDF Visualizza/Apri

The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12608/119111