深度未标记数据驱动模型及其在肿瘤识别中的应用

发布时间：2021-08-14 04:32

　　肿瘤识别是图像处理和模式识别领域最重要的问题之一,可以辅助医疗诊断.肿瘤识别主要基于基因、影像两大类数据.传统的模式识别方法大多是基于训练样本训练分类模型,然而,肿瘤识别是典型的小样本问题,通过有经验的医生专家对肿瘤病变区域进行标注是一件费事又费力的事.因此,从大量未标记样本中挖掘有效信息可以提高肿瘤识别效果.非负矩阵分解（Non-Negative Matrix Factorization,NMF）是一种无监督特征表示学习方法.NMF不依赖类标签信息,能同时探索所有可用样本中包含的有效信息,在肿瘤识别领域受到越来越多的关注.然而仍存在一些问题:（1）NMF模型是典型的欠定方程,解不唯一;（2）NMF模型优化迭代过程中,结果严重受到随机初始值的影响;（3）一些有用的信息被隐藏在提取的特征内.论文通过将NMF和深度学习相结合,充分考虑到肿瘤数据本身的特点,构建了三种具有良好的泛化能力和稳定性的深度未标记数据驱动模型,并对模型进行了优化求解和收敛性分析.本文主要工作概括如下:（1）提出了一种逐层预训练的多层-低秩NMF（LPML-LRNMF）模型,并用于基于影像的肿瘤识别.LPML-LRNM... 

【文章来源】：河南大学河南省

【文章页数】：92 页

【学位级别】：硕士

【部分图文】：

机器学习方法示意

昙鞘?菅盗贩掷嗥? 如何融合特征表示学习和分类模型, 以及有效利用现有未标记数据具有重要的理论和实际价值.图 1-1 机器学习方法示意图.近年来, 生物医学成像的应用正在增加, 因为它为放射科医师提供患者治疗相关问题的识别信息[1], 并在临床医学诊断上也起到越来越重要的作用. 微阵列技术能够同时查询 10,000-40,00 个基因, 这改变了人们对人类肿瘤分子分类的思考. 有必要从微阵列技术方面有效地分析肿瘤发病机制.1.2 国内外研究现状特征表示旨在探索数据中隐含的有用信息进行分类. 有两种主要类型的特征表示方法：特征提取和特征学习. 经典特征提取方法有主成分分析(Principal ComponentAnalysis, PCA)[2]

深度未标记数据驱动模型及其在肿瘤识别中的应用( )( )Tikik ikTikVHW WWHH , ( )( )Tkjkj kjTkjW VH HWW H . 都得到广泛应用, 主要是因为 NMF 结果有的基矩阵为面部的各个局部特征, 如眼、鼻、这与人们的思维方式相符合. 如图 2-1 所示,

【参考文献】：
期刊论文
[1]Model-driven deep-learning[J]. Zongben Xu,Jian Sun.  National Science Review. 2018(01)
[2]最大化ROC曲线下面积的不平衡基因数据集差异表达基因选择算法[J]. 谢娟英,王明钊,胡秋锋.  陕西师范大学学报(自然科学版). 2017(01)
[3]生物医学光声成像技术及其临床应用进展[J]. 龚小竞,孟静,陈健桦,林日强,白晓淞,郑加祥,宋亮.  集成技术. 2013(05)



本文编号：3341778