本文關(guān)鍵詞：基于遷移學(xué)習(xí)的多模態(tài)腦圖像分析及其應(yīng)用研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：腦疾病的早期診斷和干預(yù),對于其治療和相關(guān)藥物的研究,都具有十分重要的意義。采用腦圖像檢測是目前使用較廣泛的腦疾病早期診斷方法。近年來,機器學(xué)習(xí)被廣泛地應(yīng)用于腦圖像分析中。然而,當(dāng)前大多數(shù)基于機器學(xué)習(xí)的腦圖像分析研究主要集中于在多模態(tài)圖像上設(shè)計監(jiān)督學(xué)習(xí)算法與模型,且訓(xùn)練集樣本大多來自同一學(xué)習(xí)領(lǐng)域。為了充分利用相關(guān)學(xué)習(xí)領(lǐng)域的先驗知識,遷移學(xué)習(xí)被提出并能較好地解決此類學(xué)習(xí)問題。本文基于多模態(tài)腦圖像與生物標(biāo)志,同時結(jié)合相關(guān)領(lǐng)域的先驗信息,提出了基于遷移學(xué)習(xí)的多模態(tài)分類、回歸方法。本文的創(chuàng)新性研究工作主要有:(1)為充分利用相關(guān)學(xué)習(xí)領(lǐng)域的先驗知識,提出了多模態(tài)領(lǐng)域遷移學(xué)習(xí)分類模型。首先,為了找出多領(lǐng)域共同有效的特征子集,根據(jù)組稀疏化正則化方法,設(shè)計了領(lǐng)域遷移學(xué)習(xí)特征選擇方法DTFS。然后,為了同時移除多模態(tài)多領(lǐng)域訓(xùn)練集中所包含的帶噪聲的或不相干的樣本,結(jié)合交叉領(lǐng)域核與組稀疏正則化方法,提出了多模態(tài)領(lǐng)域遷移學(xué)習(xí)樣本選擇方法DTSS。最后,為了利用多模態(tài)之間互補信息以及多領(lǐng)域之間的相關(guān)信息,根據(jù)自適應(yīng)支持向量機和多核學(xué)習(xí),提出了多模態(tài)領(lǐng)域遷移學(xué)習(xí)支持向量機DTSVM。在標(biāo)準(zhǔn)數(shù)據(jù)集ADNI上實驗驗證了該分類模型的性能。(2)為充分利用多模態(tài)相關(guān)學(xué)習(xí)領(lǐng)域結(jié)合未標(biāo)記數(shù)據(jù)的先驗知識,提出了流形正則化的多模態(tài)遷移學(xué)習(xí)分類模型M2TL。首先,為了利用多領(lǐng)域的相關(guān)性知識并且降低領(lǐng)域之間數(shù)據(jù)分布的差異性,構(gòu)建基于交叉領(lǐng)域核的均值差異最大化準(zhǔn)則(KMMD)。然后,為了有效利用標(biāo)記樣本與未標(biāo)記樣本之間數(shù)據(jù)分布的結(jié)構(gòu)信息,構(gòu)建基于交叉領(lǐng)域核的流形正則化項。接著,為了同時移除多模態(tài)多領(lǐng)域訓(xùn)練集中含噪聲的、不相關(guān)的樣本,引入組稀疏正則化項,再結(jié)合KMMD準(zhǔn)則與流形正則化項,將傳統(tǒng)的半監(jiān)督流形正則化最小二乘法分類模型,擴展為M2TL分類模型。在標(biāo)準(zhǔn)數(shù)據(jù)集ADNI上實驗驗證了M2TL分類模型的性能。(3)為了精確診斷腦疾病患者臨床疾病階段,提出了半監(jiān)督多模態(tài)遷移學(xué)習(xí)相關(guān)向量機回歸算法SM-RVR。首先,為了獲取多模態(tài)之間互補性判別信息,根據(jù)多核學(xué)習(xí)技術(shù),提出了多模態(tài)相關(guān)向量機回歸方法M-RVR。由于獲取標(biāo)記樣本通常是昂貴且費時,我們將M-RVR擴展為SM-RVR。然后,設(shè)計了多模態(tài)k-近鄰法,用于估計未標(biāo)記樣本的目標(biāo)變量值。接著,為了找出最有效的未標(biāo)記樣本,設(shè)計了基于M-RVR的樣本選擇算法。最后,結(jié)合選擇出的未標(biāo)記樣本,采用M-RVR估計測試樣本的目標(biāo)變量值,以此來診斷患者臨床疾病階段。在標(biāo)準(zhǔn)數(shù)據(jù)集ADNI上實驗驗證了SM-RVR回歸模型的性能,并表明SM-RVR對精確診斷腦疾病患者臨床疾病階段具有較大的潛力。(4)為充分利用多標(biāo)記多相關(guān)學(xué)習(xí)領(lǐng)域的先驗知識,提出了基于多模態(tài)的多領(lǐng)域多標(biāo)記遷移學(xué)習(xí)模型MDML。首先,為了利用不同標(biāo)記組之間的相關(guān)性信息,同時又保留各標(biāo)記組自身判別信息,根據(jù)稀疏Lasso特征學(xué)習(xí)和多標(biāo)記學(xué)習(xí)框架,構(gòu)建多標(biāo)記稀疏group-Lasso特征選擇模型。然后,為利用多領(lǐng)域的相關(guān)性知識,引入遷移學(xué)習(xí)思想,構(gòu)建多領(lǐng)域多標(biāo)記遷移特征學(xué)習(xí)模型。最后,為了利用多模態(tài)之間的互補信息,將MDML方法尋找出在多模態(tài)腦圖像上最具判別性的特征子集,輸入到多模態(tài)支持向量機、M-RVR,用于分類或回歸。在標(biāo)準(zhǔn)數(shù)據(jù)集ADNI上實驗驗證了MDML的性能。實驗結(jié)果表明,提出的MDML能同時找到用以分類與回歸有效特征子集。
【關(guān)鍵詞】：遷移學(xué)習(xí) 支持向量機 相關(guān)向量機 機器學(xué)習(xí) 多模態(tài)腦圖像分析 腦疾病
【學(xué)位授予單位】：南京航空航天大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 摘要4-6
• Abstract6-14
• 第一章 緒論14-28
• 1.1 引言14-15
• 1.2 基于神經(jīng)影像的腦疾病診斷15-16
• 1.3 基于機器學(xué)習(xí)的腦圖像分析16-24
• 1.3.1 研究現(xiàn)狀17-19
• 1.3.2 多模態(tài)數(shù)據(jù)分析19-24
• 1.4 遷移學(xué)習(xí)24-25
• 1.5 本文的主要研究工作25-26
• 1.6 本文的內(nèi)容安排26-28
• 第二章 多模態(tài)領(lǐng)域遷移學(xué)習(xí)28-46
• 2.1 引言28-29
• 2.2 算法的框架29-30
• 2.3 多模態(tài)領(lǐng)域遷移學(xué)習(xí)算法30-34
• 2.3.1 特征選擇30-32
• 2.3.2 樣本選擇32-33
• 2.3.3 分類器33-34
• 2.4 實驗結(jié)果與分析34-44
• 2.4.1 ADNI數(shù)據(jù)集34-35
• 2.4.2 腦圖像預(yù)處理與特征提取35-36
• 2.4.3 實驗設(shè)置36-37
• 2.4.4 識別MCI轉(zhuǎn)化為AD的分類性能37-40
• 2.4.5 判別性腦區(qū)檢測40-42
• 2.4.6 擴展識別MCI vs. AD/NC42-44
• 2.5 本章小結(jié)44-46
• 第三章 基于流形正則化的多模態(tài)遷移學(xué)習(xí)46-59
• 3.1 引言46-47
• 3.2 算法的框架47-48
• 3.3 流形正則化多模態(tài)遷移學(xué)習(xí)算法48-50
• 3.3.1 學(xué)習(xí)模型48-50
• 3.3.2 優(yōu)化算法50
• 3.4 樣本選擇與分類50-51
• 3.5 實驗結(jié)果與分析51-57
• 3.5.1 實驗數(shù)據(jù)51
• 3.5.2 實驗設(shè)置51-52
• 3.5.3 M2TL與其他方法分類性能比較52-55
• 3.5.4 加入樣本選擇的M2TL方法與其他方法的性能比較55-57
• 3.6 本章小結(jié)57-59
• 第四章 多模態(tài)遷移學(xué)習(xí)相關(guān)向量機59-80
• 4.1 引言59-60
• 4.2 監(jiān)督多模態(tài)相關(guān)向量機回歸60-62
• 4.2.1 相關(guān)向量機60-62
• 4.2.2 多模態(tài)相關(guān)向量機回歸62
• 4.3 半監(jiān)督多模態(tài)遷移學(xué)習(xí)相關(guān)向量機回歸62-65
• 4.3.1 多模態(tài)-近鄰法62-64
• 4.3.2 樣本選擇64-65
• 4.3.3 回歸65
• 4.4 實驗結(jié)果與分析65-78
• 4.4.1 實驗設(shè)置66
• 4.4.2 M-RVR估計MMSE、ADAS-Cog性能66-71
• 4.4.3 權(quán)值系數(shù)對M-RVR回歸性能的影響71
• 4.4.4 SM-RVR估計MMSE、ADAS-Cog性能71-75
• 4.4.5 權(quán)值系數(shù)對SM-RVR回歸性能的影響75-76
• 4.4.6 SM-RVR與其他方法比較76-78
• 4.5 本章小結(jié)78-80
• 第五章 多模態(tài)多標(biāo)記遷移學(xué)習(xí)80-97
• 5.1 引言80-81
• 5.2 算法流程圖81-82
• 5.3 多領(lǐng)域多標(biāo)記遷移學(xué)習(xí)特征選擇82-84
• 5.3.1 多標(biāo)記稀疏group-Lasso82-83
• 5.3.2 多領(lǐng)域多標(biāo)記稀疏group-Lasso83-84
• 5.4 多模態(tài)分類/回歸84
• 5.5 實驗結(jié)果與分析84-95
• 5.5.1 實驗數(shù)據(jù)84
• 5.5.2 實驗設(shè)置84-85
• 5.5.3 診斷MCI轉(zhuǎn)化為AD的分類性能85-87
• 5.5.4 估計MMSE和ADAS-Cog評分值87-92
• 5.5.5 判別性腦區(qū)檢測92-95
• 5.6 本章小結(jié)95-97
• 第六章 結(jié)束語97-99
• 參考文獻99-112
• 致謝112-113
• 在學(xué)期間的研究成果及發(fā)表的學(xué)術(shù)論文113-115
• 附錄115-117

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 楊?,裴繼紅,謝維信;一種基于頻帶一致性的多模態(tài)圖像校準(zhǔn)算法[J];通信學(xué)報;2005年04期

2 王曉春;黃靖;楊豐;羅蔓;;基于SVM模型參數(shù)優(yōu)化的多模態(tài)MRI圖像腫瘤分割方法[J];南方醫(yī)科大學(xué)學(xué)報;2014年05期

3 齊妙;代江艷;王建中;于曉熹;張明;;基于內(nèi)容的多模態(tài)可逆密寫方法[J];計算機科學(xué);2012年11期

4 王睿佳;劉耀;;面向科技文獻的多模態(tài)語義關(guān)聯(lián)特征提取與表達體系研究[J];大學(xué)圖書館學(xué)報;2012年05期

5 齊守良;岳勇;辛軍;康雁;;面向臨床腫瘤診療決策的多模態(tài)醫(yī)學(xué)影像融合[J];中國生物醫(yī)學(xué)工程學(xué)報;2013年03期

6 梁愛華;袁家政;和青芳;何娟;;基于指部關(guān)聯(lián)特征的多模態(tài)圖像采集系統(tǒng)[J];傳感技術(shù)學(xué)報;2014年02期

7 王晨暉;管鳳旭;宋新景;馬也;;掌紋和三維手形的多模態(tài)圖像采集裝置設(shè)計[J];自動化技術(shù)與應(yīng)用;2011年07期

8 徐紅梅;劉金明;;電視相親節(jié)目圖標(biāo)的多模態(tài)話語分析——以《非誠勿擾》和《我們約會吧》為例[J];華中人文論叢;2013年03期

9 蘇坡;楊建華;薛忠;;基于超像素的多模態(tài)MRI腦膠質(zhì)瘤分割[J];西北工業(yè)大學(xué)學(xué)報;2014年03期

10 葛云,舒華忠,羅立民;基于曲率及相關(guān)性的相似區(qū)域的線性配準(zhǔn)[J];電子學(xué)報;2000年08期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前6條

1 湯永華;非接觸條件下手部多模態(tài)生物特征融合方法的研究[D];沈陽工業(yè)大學(xué);2015年

2 程波;基于遷移學(xué)習(xí)的多模態(tài)腦圖像分析及其應(yīng)用研究[D];南京航空航天大學(xué);2015年

3 蔣君;多模態(tài)腫瘤圖像聯(lián)合分割方法研究[D];南方醫(yī)科大學(xué);2014年

4 彭加亮;基于手指多模態(tài)生物特征的身份認(rèn)證關(guān)鍵問題研究[D];哈爾濱工業(yè)大學(xué);2014年

5 周延萍;互聯(lián)網(wǎng)圖像搜索中的多模態(tài)融合[D];中國科學(xué)技術(shù)大學(xué);2015年

6 盧彥斌;X射線CT成像技術(shù)與多模態(tài)層析成像技術(shù)研究[D];北京大學(xué);2012年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前4條

1 楊汛;基于MITK的多模態(tài)分子影像融合軟件設(shè)計與實現(xiàn)[D];中國科學(xué)院大學(xué)(工程管理與信息技術(shù)學(xué)院);2013年

2 王佳宇;“批評”圖片：圖片新聞中視覺符號的多模態(tài)批評性分析[D];華中師范大學(xué);2011年

3 張寧寧;非接觸多模態(tài)手成像采集系統(tǒng)設(shè)計[D];沈陽工業(yè)大學(xué);2014年

4 王曉春;結(jié)合MRI多模態(tài)信息與SVM參數(shù)優(yōu)化的腦腫瘤分割研究[D];南方醫(yī)科大學(xué);2014年

  本文關(guān)鍵詞：基于遷移學(xué)習(xí)的多模態(tài)腦圖像分析及其應(yīng)用研究，由筆耕文化傳播整理發(fā)布。

本文編號：388543