本文關(guān)鍵詞：多模態(tài)特征選擇及其在腦疾病分類中的應(yīng)用研究

  更多相關(guān)文章： 腦疾病 多任務(wù)特征選擇 多模態(tài) 分類 判別性正則化 組稀疏正則化 有效距離

【摘要】：最近幾年,隨著醫(yī)學(xué)影像技術(shù)的成熟和發(fā)展,基于這些神經(jīng)影像技術(shù)的圖像數(shù)據(jù)提取人腦的全腦結(jié)構(gòu)與功能連接模式,用于腦疾病的預(yù)測和診斷,已經(jīng)成為新的研究熱點。通過運用機器學(xué)習(xí)和模式識別提供的技術(shù)手段和方法,分析多種模態(tài)的醫(yī)學(xué)影像數(shù)據(jù),發(fā)現(xiàn)其中的規(guī)律,從而有效的預(yù)測和分類未知數(shù)據(jù),并找出與腦疾病有關(guān)系的腦區(qū)特征,也已成為研究趨勢。本文基于多任務(wù)特征選擇方法,對多模態(tài)神經(jīng)影像數(shù)據(jù)進行分析和研究,從而進行腦疾病的分類。本文的主要工作和創(chuàng)新點如下：首先,我們提出了一個判別性多任務(wù)特征選擇方法,來選擇最具判別性的特征用于基于多模態(tài)的腦疾病分類。具體來說,對于每一個模態(tài),我們使用相應(yīng)模態(tài)的數(shù)據(jù)訓(xùn)練一個線性回歸模型,并且進一步對這些回歸模型的權(quán)重執(zhí)行組稀疏正則化,用于在多個模態(tài)中聯(lián)合的選擇共同的特征。進一步,我們提出基于類內(nèi)類間拉普拉斯矩陣的判別性正則化項來更好的使用樣本之間的判別性信息。在選擇出判別性特征之后,我們使用多核支持向量機方法來進行腦疾病的分類。實驗結(jié)果表明,我們提出的方法不僅改善了腦疾病的分類性能,而且有潛力發(fā)現(xiàn)對于疾病診斷有利的與疾病相關(guān)的生物學(xué)標(biāo)記,因而具有較大的生物醫(yī)學(xué)意義。另外,我們發(fā)現(xiàn),在存在的多模態(tài)特征選擇方法中通常使用傳統(tǒng)距離,比如歐氏距離,來度量兩個樣本之間的相似性,由于歐氏距離靜態(tài)的本質(zhì),它忽視了目標(biāo)樣本和所有其他樣本之間的全局結(jié)構(gòu)信息。因此,為了充分考慮樣本的動態(tài)全局信息,我們采用有效距離來替代歐氏距離作為一種相似性度量方法用于特征選擇學(xué)習(xí)以及用選擇的特征實現(xiàn)腦疾病的分類。具體地,我們使用稀疏表示算法來獲得有效距離,然后,定義基于有效距離的拉普拉斯矩陣,進一步,提出我們的基于有效距離的多模態(tài)特征選擇方法用于腦疾病的分類。實驗結(jié)果表明,使用有效距離用于多模態(tài)特征選擇算法能夠有效地把握樣本的全局和局部信息,并且可以獲得更加優(yōu)越的分類性能。
【關(guān)鍵詞】：腦疾病 多任務(wù)特征選擇 多模態(tài) 分類 判別性正則化 組稀疏正則化 有效距離
【學(xué)位授予單位】：南京航空航天大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：R741;TP391.41
【目錄】：

• 摘要4-5
• ABSTRACT5-11
• 注釋表11-12
• 縮略詞12-14
• 第一章 緒論14-20
• 1.1 問題提出與研究意義14-16
• 1.2 多任務(wù)、多模態(tài)、多視圖學(xué)習(xí)現(xiàn)狀分析16-17
• 1.3 本文的主要研究工作和內(nèi)容安排17-20
• 第二章 相關(guān)背景知識20-27
• 2.1 引言20
• 2.2 特征選擇簡介20-23
• 2.2.1 特征選擇的過程21
• 2.2.2 常用特征選擇算法21-23
• 2.3 特征提取簡介23-24
• 2.4 多核學(xué)習(xí)24
• 2.5 稀疏學(xué)習(xí)24-26
• 2.6 本章小結(jié)26-27
• 第三章 判別性多模態(tài)特征選擇及應(yīng)用27-41
• 3.1 引言27
• 3.2 方法框架27-32
• 3.2.1 多模態(tài)特征選擇28
• 3.2.2 判別性多任務(wù)特征選擇28-31
• 3.2.3 優(yōu)化方法31-32
• 3.2.4 多核SVM分類32
• 3.3 實驗設(shè)計與結(jié)果分析32-39
• 3.3.1 ADNI數(shù)據(jù)集32-33
• 3.3.2 圖像預(yù)處理和特征提取33
• 3.3.3 分類結(jié)果分析33-37
• 3.3.4 判別性腦區(qū)域37-38
• 3.3.5 參數(shù)的影響38-39
• 3.4 本章小結(jié)39-41
• 第四章 基于有效距離的多模態(tài)特征選擇及應(yīng)用41-52
• 4.1 引言41
• 4.2 傳統(tǒng)距離度量方式41-42
• 4.3 有效距離的描述42-43
• 4.4 方法框架43-46
• 4.4.1 基于稀疏重構(gòu)系數(shù)的有效距離與基于有效距離拉普拉斯矩陣的計算44
• 4.4.2 基于有效距離的多模態(tài)特征選擇模型(EDMMFS)及優(yōu)化44-45
• 4.4.3 EDMMFS算法框架45
• 4.4.4 多核SVM分類45-46
• 4.5 實驗設(shè)計與結(jié)果分析46-48
• 4.5.1 數(shù)據(jù)集46
• 4.5.2 實驗設(shè)置46-47
• 4.5.3 分類結(jié)果分析47
• 4.5.4 判別性腦區(qū)域47-48
• 4.6 本章小結(jié)48-52
• 第五章 總結(jié)與展望52-54
• 5.1 本文總結(jié)52-53
• 5.2 未來工作展望53-54
• 參考文獻54-63
• 致謝63-64
• 在學(xué)期間的研究成果及發(fā)表的學(xué)術(shù)論文64

，

本文編號：547410