發(fā)布時(shí)間：2021-08-14 04:32

　　腫瘤識(shí)別是圖像處理和模式識(shí)別領(lǐng)域最重要的問題之一,可以輔助醫(yī)療診斷.腫瘤識(shí)別主要基于基因、影像兩大類數(shù)據(jù).傳統(tǒng)的模式識(shí)別方法大多是基于訓(xùn)練樣本訓(xùn)練分類模型,然而,腫瘤識(shí)別是典型的小樣本問題,通過有經(jīng)驗(yàn)的醫(yī)生專家對(duì)腫瘤病變區(qū)域進(jìn)行標(biāo)注是一件費(fèi)事又費(fèi)力的事.因此,從大量未標(biāo)記樣本中挖掘有效信息可以提高腫瘤識(shí)別效果.非負(fù)矩陣分解（Non-Negative Matrix Factorization,NMF）是一種無監(jiān)督特征表示學(xué)習(xí)方法.NMF不依賴類標(biāo)簽信息,能同時(shí)探索所有可用樣本中包含的有效信息,在腫瘤識(shí)別領(lǐng)域受到越來越多的關(guān)注.然而仍存在一些問題:（1）NMF模型是典型的欠定方程,解不唯一;（2）NMF模型優(yōu)化迭代過程中,結(jié)果嚴(yán)重受到隨機(jī)初始值的影響;（3）一些有用的信息被隱藏在提取的特征內(nèi).論文通過將NMF和深度學(xué)習(xí)相結(jié)合,充分考慮到腫瘤數(shù)據(jù)本身的特點(diǎn),構(gòu)建了三種具有良好的泛化能力和穩(wěn)定性的深度未標(biāo)記數(shù)據(jù)驅(qū)動(dòng)模型,并對(duì)模型進(jìn)行了優(yōu)化求解和收斂性分析.本文主要工作概括如下:（1）提出了一種逐層預(yù)訓(xùn)練的多層-低秩NMF（LPML-LRNMF）模型,并用于基于影像的腫瘤識(shí)別.LPML-LRNM... 

【文章來源】：河南大學(xué)河南省

【文章頁數(shù)】：92 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

機(jī)器學(xué)習(xí)方法示意

曇鞘?菅盜販擲嗥? 如何融合特征表示學(xué)習(xí)和分類模型, 以及有效利用現(xiàn)有未標(biāo)記數(shù)據(jù)具有重要的理論和實(shí)際價(jià)值.圖 1-1 機(jī)器學(xué)習(xí)方法示意圖.近年來, 生物醫(yī)學(xué)成像的應(yīng)用正在增加, 因?yàn)樗鼮榉派淇漆t(yī)師提供患者治療相關(guān)問題的識(shí)別信息[1], 并在臨床醫(yī)學(xué)診斷上也起到越來越重要的作用. 微陣列技術(shù)能夠同時(shí)查詢 10,000-40,00 個(gè)基因, 這改變了人們對(duì)人類腫瘤分子分類的思考. 有必要從微陣列技術(shù)方面有效地分析腫瘤發(fā)病機(jī)制.1.2 國(guó)內(nèi)外研究現(xiàn)狀特征表示旨在探索數(shù)據(jù)中隱含的有用信息進(jìn)行分類. 有兩種主要類型的特征表示方法：特征提取和特征學(xué)習(xí). 經(jīng)典特征提取方法有主成分分析(Principal ComponentAnalysis, PCA)[2]

深度未標(biāo)記數(shù)據(jù)驅(qū)動(dòng)模型及其在腫瘤識(shí)別中的應(yīng)用( )( )Tikik ikTikVHW WWHH , ( )( )Tkjkj kjTkjW VH HWW H . 都得到廣泛應(yīng)用, 主要是因?yàn)?NMF 結(jié)果有的基矩陣為面部的各個(gè)局部特征, 如眼、鼻、這與人們的思維方式相符合. 如圖 2-1 所示,

【參考文獻(xiàn)】：
期刊論文
[1]Model-driven deep-learning[J]. Zongben Xu,Jian Sun.  National Science Review. 2018(01)
[2]最大化ROC曲線下面積的不平衡基因數(shù)據(jù)集差異表達(dá)基因選擇算法[J]. 謝娟英,王明釗,胡秋鋒.  陜西師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(01)
[3]生物醫(yī)學(xué)光聲成像技術(shù)及其臨床應(yīng)用進(jìn)展[J]. 龔小競(jìng),孟靜,陳健樺,林日強(qiáng),白曉淞,鄭加祥,宋亮.  集成技術(shù). 2013(05)



本文編號(hào)：3341778