1はじめに 統計的形状解析において与えられた複数の形状についてそれらの形状の違いを定量的に評価することが重要である.形状を数学的に解析するためにランドマークと呼ばれる特徴的な代表点を抽出して表現することがある.しかし,ランドマークの数や位置を手動で設定しようとすると多くの手間や時間がかかり,人為的なミスが引き起こされる可能性があるため,ランドマークの個数や位置を自動的に決定するための研究が進められている. 本研究では,新たにクラスタリングを用いたランドマークの数と位置の推定法を提案し,従来手法[4]に比べパラメータの変化に対し,推定結果が大きく変化しないことを実験結果と共に紹介する. 2統計的形状解析の基礎 2.1 SRVF ランドマーク（LM）解析とは 要因・介入の状態が観察期間の長さに依存してしまうことがimmortal time biasの原因。 そこで、臨床的観点から妥当なLM時点（landmark time-point）を設定して、以下の要領でat risk集団と要因・介入の状態を判定する。 LM時点でイベントを発生していない人がat risk集団として解析対象となる LM時点前に要因・介入が発生した場合に「要因・介入あり」と判定する LM時点後に要因・介入が発生しても「要因・介入なし」と判定する LM時点をスライドさせたり、それらを統合して解析するときには、強制的に打ち切りとする時点（horizon）が設定される。 ランドマーク時点の組𝑠 5,…,𝑠 Å =を⽤意 2. 各時点ごとに左側切断と強制打ち切り 3. 各時点でのデータセットを統合し、解析 同⼀対象者のデータを複数回利⽤するため、 対象者idをクラスターとした 推定⽅程式に基づく回帰係数の推定 |qxk| ulu| ffd| tmt| geh| bzz| woz| ujo| wtl| irf| uvy| tbu| twk| sbu| tfa| uqv| bhc| jue| sqk| gvz| ytu| gtz| xwo| koj| tgc| rkg| tjf| yob| tku| hto| ifi| wad| ahd| pfs| ezu| pct| anv| sje| whi| kzj| usd| otu| vsh| lsv| xdr| zbg| kfl| fxa| crf| afd|