近年來(lái),人工智能發(fā)展迅速�；诖竽X影像數(shù)據(jù)對(duì)腦疾病進(jìn)行診斷和分析獲得了大量醫(yī)生和人工智能研究學(xué)者們的關(guān)注。從大腦影像數(shù)據(jù)出發(fā),可以構(gòu)建其對(duì)應(yīng)的腦網(wǎng)絡(luò)。許多的研究集中在子圖挖掘技術(shù)上,然而腦網(wǎng)絡(luò)的潛在結(jié)構(gòu)非常復(fù)雜,僅僅依靠子圖挖掘這一淺層模型無(wú)法捕捉腦網(wǎng)絡(luò)中存在的高度非線性結(jié)構(gòu)。如何基于腦網(wǎng)絡(luò)利用人工智能技術(shù)進(jìn)行非線性數(shù)據(jù)挖掘和分析,從而幫助醫(yī)生理解、認(rèn)識(shí)和預(yù)防多種目前難以根治的腦疾病,具有重大的意義。本文的研究正是基于上述挑戰(zhàn)和機(jī)遇,主要研究工作安排如下:一、針對(duì)如何將深度學(xué)習(xí)應(yīng)用到圖拓?fù)鋽?shù)據(jù)的挖掘和分類以及現(xiàn)有的卷積模式無(wú)法有效地捕捉圖數(shù)據(jù)中的節(jié)點(diǎn)局部模式的缺點(diǎn)。本文利用圖節(jié)點(diǎn)和周圍相鄰節(jié)點(diǎn)的直接相連關(guān)系,導(dǎo)出了適合于卷積神經(jīng)網(wǎng)絡(luò)的圖局部模式,再在此基礎(chǔ)上定義了行卷積濾波器。為了保證網(wǎng)絡(luò)層次堆疊的過(guò)程中不會(huì)損失過(guò)多的圖拓?fù)浣Y(jié)構(gòu)信息,提出了相應(yīng)的結(jié)構(gòu)保持池化操作,解決了行卷積神經(jīng)網(wǎng)絡(luò)在堆疊的時(shí)候因?yàn)閾p失過(guò)多的圖結(jié)構(gòu)信息而出現(xiàn)嚴(yán)重的過(guò)擬合現(xiàn)象。最后,通過(guò)在真實(shí)的腦網(wǎng)絡(luò)數(shù)據(jù)集上進(jìn)行的腦疾病診斷分類實(shí)驗(yàn),驗(yàn)證了本文的方法在所有代表性方法中都獲得了最好的結(jié)果。并且擴(kuò)展實(shí)驗(yàn)也表明,該方法具有特征... 

【文章來(lái)源】：南京航空航天大學(xué)江蘇省 211工程院校

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Boosting算法原理

圖 2. 2 Bagging 算法原理Bagging 的動(dòng)機(jī)在于我們利用弱學(xué)習(xí)器之間的獨(dú)立性，通過(guò)集成這些獨(dú)立的弱學(xué)習(xí)器，集成學(xué)習(xí)器的誤差可以極大地降低。該方法先從原始數(shù)據(jù)集當(dāng)中采樣得到與原始數(shù)據(jù)集樣本個(gè)數(shù)同樣大小的采樣集合，再利用這些不同的采樣集合學(xué)習(xí)得到不同的學(xué)習(xí)器，并最終對(duì)輸出的弱學(xué)習(xí)器集合得到強(qiáng)學(xué)習(xí)器。在二分類模型中，假定我們的每個(gè)弱分類器⊕ 有如下誤差： ( ( ) ( )) ( - ▄)則當(dāng)我們集成所有的 個(gè)分類后，強(qiáng)分類器為： ( ) (◎ ( ) ) ( - ▅)此時(shí)，只要多數(shù)（超過(guò)一半）的弱分類器能給出正確決策，則我們的集成分類器 ( )能給出正確決策。并且根據(jù) Hoeffding 不等式，集成學(xué)習(xí)器的泛化誤差為： ( ) ( ) ◎ ( ) ≤ ⊥ ( ) ( - ▆)這表明，集成分類器的泛化誤差會(huì)隨著基分類器的個(gè)數(shù)的增加而指數(shù)下降，并趨向于零。Bagging

應(yīng)用于腦網(wǎng)絡(luò)分類，因?yàn)樯鐣?huì)網(wǎng)絡(luò)或分子網(wǎng)絡(luò)通常對(duì)每個(gè)節(jié)點(diǎn)具有不同的標(biāo)簽信息，有自己的整體類別標(biāo)簽。并且腦網(wǎng)絡(luò)具有很多從低階到高階的結(jié)構(gòu)信息，有效地利用可以極大地幫助腦網(wǎng)絡(luò)類別的分類[28]。因此，在大多數(shù) DNN 方法中，卷積神經(jīng)網(wǎng)絡(luò)（C很好的方法，CNN 可以識(shí)別簡(jiǎn)單的結(jié)構(gòu)，然后利用這些簡(jiǎn)單的結(jié)構(gòu)來(lái)識(shí)別更復(fù)雜的結(jié)在人臉識(shí)別中，他們首先在前幾個(gè)卷積層中發(fā)現(xiàn)人眼、嘴和其他小器官，然后在最后層中構(gòu)成整個(gè)人臉。然而，由于腦網(wǎng)絡(luò)的局部性不同于傳統(tǒng)的歐氏網(wǎng)格結(jié)構(gòu)數(shù)據(jù)，為圖像設(shè)計(jì)的卷積通常不適合用于腦網(wǎng)絡(luò)。在歐幾里得網(wǎng)格結(jié)構(gòu)數(shù)據(jù)中，一個(gè)點(diǎn)的鄰接周圍的點(diǎn)。不同的是，這個(gè)屬性在圖拓?fù)鋽?shù)據(jù)中并不總是有效的。如圖 3.1 所示，節(jié)點(diǎn) 在圖 3.1(a)中很接近，它們是圖 3.1 (b)中的近鄰。然而它們不是圖 3.1 (c)中的近鄰，盡 (b)和圖 3.1 (c)表示相同的圖拓?fù)洌磮D 3.1 (a)。因此，王等人[32]提出了圖重排序，使中的邊更緊密。它可以緩解這種情況，但不能保證我們可以捕獲所有的局部節(jié)點(diǎn)。另許多方法[52,53]在圖數(shù)據(jù)分類上有很好的性能，但是即使它們?cè)谀X網(wǎng)絡(luò)分類上有效，也病變區(qū)域，而這對(duì)于理解疾病非常有幫助。因此，我們的目標(biāo)是定義一個(gè)合適的卷積它不僅可以找到局部結(jié)構(gòu)，并且有助于識(shí)別疾病區(qū)域。從而對(duì)整個(gè)腦精神疾病有更好也更有利于幫助我們預(yù)防甚至根治這些腦精神疾病。


本文編號(hào)：2928977