Various machine-learning classification techniques have been employed previously to classify brain states in healthy and disease populations using functional magnetic resonance imaging (fMRI). These methods generally use supervised classifiers that are sensitive to outliers and require labeling of training data to generate a predictive model. Density-based clustering, which overcomes these issues, is a popular unsupervised learning approach whose utility for high-dimensional neuroimaging data has not been previously evaluated. Its advantages include insensitivity to outliers and ability to work with unlabeled data. Unlike the popular k-means clustering, the number of clusters need not be specified. In this study, we compare the performance of two popular density-based clustering methods, DBSCAN and OPTICS, in accurately identifying individuals with three stages of cognitive impairment, including Alzheimer’s disease. We used static and dynamic functional connectivity features for clustering, which captures the strength and temporal variation of brain connectivity respectively. To assess the robustness of clustering to noise/outliers, we propose a novel method called recursive-clustering using additive-noise (R-CLAN). Results demonstrated that both clustering algorithms were effective, although OPTICS with dynamic connectivity features outperformed in terms of cluster purity (95.46%) and robustness to noise/outliers. This study demonstrates that density-based clustering can accurately and robustly identify diagnostic classes in an unsupervised way using brain connectivity.

中文翻译：

---

从认知障碍受试者获得的基于静态和动态功能MRI连接特征的密度聚类

先前已经使用各种机器学习分类技术来使用功能磁共振成像（fMRI）对健康和疾病人群的脑部状态进行分类。这些方法通常使用对异常值敏感的监督分类器，并且需要标记训练数据以生成预测模型。克服了这些问题的基于密度的聚类是一种流行的无监督学习方法，其对高维神经影像数据的效用尚未进行过评估。它的优点包括对异常值不敏感以及处理未标记数据的能力。与流行的k均值聚类不同，聚类的数量无需指定。在这项研究中，我们比较了两种流行的基于密度的聚类方法DBSCAN和OPTICS的性能，准确地识别具有三个阶段的认知障碍的个体，包括阿尔茨海默氏病。我们使用静态和动态功能连接功能进行聚类，分别捕获了大脑连接的强度和时间变化。为了评估聚类到噪声/离群值的鲁棒性，我们提出了一种新的方法，称为加性噪声递归聚类（R-CLAN）。结果表明，尽管具有动态连通性功能的OPTICS在群集纯度（95.46％）和对噪声/异常值的鲁棒性方面均胜过，但这两种群集算法都是有效的。这项研究表明，基于密度的聚类可以使用大脑的连接性，以无监督的方式准确，可靠地识别诊断类别。我们使用静态和动态功能连接功能进行聚类，分别捕获了大脑连接的强度和时间变化。为了评估聚类到噪声/离群值的鲁棒性，我们提出了一种新的方法，称为加性噪声递归聚类（R-CLAN）。结果表明，尽管具有动态连通性功能的OPTICS在群集纯度（95.46％）和对噪声/异常值的鲁棒性方面均胜过，但这两种群集算法都是有效的。这项研究表明，基于密度的聚类可以使用大脑的连接性，以无监督的方式准确，可靠地识别诊断类别。我们使用静态和动态功能连接功能进行聚类，分别捕获了大脑连接的强度和时间变化。为了评估聚类到噪声/离群值的鲁棒性，我们提出了一种新的方法，称为加性噪声递归聚类（R-CLAN）。结果表明，尽管具有动态连通性功能的OPTICS在群集纯度（95.46％）和对噪声/异常值的鲁棒性方面均胜过，但这两种群集算法都是有效的。这项研究表明，基于密度的聚类可以使用大脑的连接性，以无监督的方式准确，可靠地识别诊断类别。为了评估聚类到噪声/离群值的鲁棒性，我们提出了一种新的方法，称为加性噪声递归聚类（R-CLAN）。结果表明，尽管具有动态连通性功能的OPTICS在群集纯度（95.46％）和对噪声/异常值的鲁棒性方面均胜过，但这两种群集算法都是有效的。这项研究表明，基于密度的聚类可以使用大脑的连接性，以无监督的方式准确，可靠地识别诊断类别。为了评估聚类到噪声/离群值的鲁棒性，我们提出了一种新的方法，称为加性噪声递归聚类（R-CLAN）。结果表明，尽管具有动态连通性功能的OPTICS在群集纯度（95.46％）和对噪声/异常值的鲁棒性方面均胜过，但这两种群集算法都是有效的。这项研究表明，基于密度的聚类可以使用大脑的连接性，以无监督的方式准确，可靠地识别诊断类别。