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.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