多模态特征选择及其在脑疾病分类中的应用研究

发布时间：2017-07-16 06:24

  本文关键词：多模态特征选择及其在脑疾病分类中的应用研究

  更多相关文章： 脑疾病 多任务特征选择 多模态 分类 判别性正则化 组稀疏正则化 有效距离

【摘要】：最近几年,随着医学影像技术的成熟和发展,基于这些神经影像技术的图像数据提取人脑的全脑结构与功能连接模式,用于脑疾病的预测和诊断,已经成为新的研究热点。通过运用机器学习和模式识别提供的技术手段和方法,分析多种模态的医学影像数据,发现其中的规律,从而有效的预测和分类未知数据,并找出与脑疾病有关系的脑区特征,也已成为研究趋势。本文基于多任务特征选择方法,对多模态神经影像数据进行分析和研究,从而进行脑疾病的分类。本文的主要工作和创新点如下：首先,我们提出了一个判别性多任务特征选择方法,来选择最具判别性的特征用于基于多模态的脑疾病分类。具体来说,对于每一个模态,我们使用相应模态的数据训练一个线性回归模型,并且进一步对这些回归模型的权重执行组稀疏正则化,用于在多个模态中联合的选择共同的特征。进一步,我们提出基于类内类间拉普拉斯矩阵的判别性正则化项来更好的使用样本之间的判别性信息。在选择出判别性特征之后,我们使用多核支持向量机方法来进行脑疾病的分类。实验结果表明,我们提出的方法不仅改善了脑疾病的分类性能,而且有潜力发现对于疾病诊断有利的与疾病相关的生物学标记,因而具有较大的生物医学意义。另外,我们发现,在存在的多模态特征选择方法中通常使用传统距离,比如欧氏距离,来度量两个样本之间的相似性,由于欧氏距离静态的本质,它忽视了目标样本和所有其他样本之间的全局结构信息。因此,为了充分考虑样本的动态全局信息,我们采用有效距离来替代欧氏距离作为一种相似性度量方法用于特征选择学习以及用选择的特征实现脑疾病的分类。具体地,我们使用稀疏表示算法来获得有效距离,然后,定义基于有效距离的拉普拉斯矩阵,进一步,提出我们的基于有效距离的多模态特征选择方法用于脑疾病的分类。实验结果表明,使用有效距离用于多模态特征选择算法能够有效地把握样本的全局和局部信息,并且可以获得更加优越的分类性能。
【关键词】：脑疾病 多任务特征选择 多模态 分类 判别性正则化 组稀疏正则化 有效距离
【学位授予单位】：南京航空航天大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R741;TP391.41
【目录】：

• 摘要4-5
• ABSTRACT5-11
• 注释表11-12
• 缩略词12-14
• 第一章 绪论14-20
• 1.1 问题提出与研究意义14-16
• 1.2 多任务、多模态、多视图学习现状分析16-17
• 1.3 本文的主要研究工作和内容安排17-20
• 第二章 相关背景知识20-27
• 2.1 引言20
• 2.2 特征选择简介20-23
• 2.2.1 特征选择的过程21
• 2.2.2 常用特征选择算法21-23
• 2.3 特征提取简介23-24
• 2.4 多核学习24
• 2.5 稀疏学习24-26
• 2.6 本章小结26-27
• 第三章 判别性多模态特征选择及应用27-41
• 3.1 引言27
• 3.2 方法框架27-32
• 3.2.1 多模态特征选择28
• 3.2.2 判别性多任务特征选择28-31
• 3.2.3 优化方法31-32
• 3.2.4 多核SVM分类32
• 3.3 实验设计与结果分析32-39
• 3.3.1 ADNI数据集32-33
• 3.3.2 图像预处理和特征提取33
• 3.3.3 分类结果分析33-37
• 3.3.4 判别性脑区域37-38
• 3.3.5 参数的影响38-39
• 3.4 本章小结39-41
• 第四章 基于有效距离的多模态特征选择及应用41-52
• 4.1 引言41
• 4.2 传统距离度量方式41-42
• 4.3 有效距离的描述42-43
• 4.4 方法框架43-46
• 4.4.1 基于稀疏重构系数的有效距离与基于有效距离拉普拉斯矩阵的计算44
• 4.4.2 基于有效距离的多模态特征选择模型(EDMMFS)及优化44-45
• 4.4.3 EDMMFS算法框架45
• 4.4.4 多核SVM分类45-46
• 4.5 实验设计与结果分析46-48
• 4.5.1 数据集46
• 4.5.2 实验设置46-47
• 4.5.3 分类结果分析47
• 4.5.4 判别性脑区域47-48
• 4.6 本章小结48-52
• 第五章 总结与展望52-54
• 5.1 本文总结52-53
• 5.2 未来工作展望53-54
• 参考文献54-63
• 致谢63-64
• 在学期间的研究成果及发表的学术论文64

，

本文编号：547410