Spatial Mixture Models with Applications in Medical Physics
We introduce a Gaussian mixture modelling (GMM) framework that can account for spatial autocorrelation among the predictors while using very few free parameters in the covariance structure. This is accomplished by assuming a linear spatial correlation/covariance structure: the coefficients of which can be estimated through generalized least squares. We motivate this model through applications in medical physics, and contrast the approach with both the standard vector-valued GMM as well as the matrix-variate GMM. An up-to-date accounting of ongoing work using this model and intended improvements will be provided.
Modèles de mélange spatial avec applications en physique médicale
Nous introduisons un modèle de mélange gaussien (MMG) qui peut tenir compte de l'autocorrélation spatiale entre les prédicteurs tout en utilisant très peu de paramètres libres dans la structure de covariance. Pour ce faire, nous supposons une structure de corrélation/covariance spatiale linéaire, dont les coefficients peuvent être estimés par la méthode des moindres carrés généralisés. Nous motivons ce modèle par des applications en physique médicale et comparons l'approche avec le MMG vectoriel standard ainsi qu'avec le MMG matriciel. Un compte-rendu actualisé des travaux en cours utilisant ce modèle et des améliorations envisagées sera fourni.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais