基于高斯过程的阿尔茨海默病计算机辅助诊断
发布时间：2021-08-09 00:39
阿尔茨海默病为不可逆性的神经退行性疾病,目前暂无治愈的特效药和相关技术,因此尽早发现其前期阶段——轻度认知障碍并尽早治疗成为挽救患者的唯一途径。在此类神经性疾病的计算机辅助诊断中,常用到磁共振影像,但是数据维度高且有效训练样本少成为影响识别率的重要因素。本文主要的研究目的是提高基于高斯过程分类方法对AD/MCI计算机辅助诊断的性能。具体工作内容如下:1.讨论了几种常用的分类方法,详细研究了高斯过程分类模型的建模方法及求解流程。针对后验分布难于直接积分求解问题,重点探讨了分类应用下的Laplace逼近算法。详细阐述了本文所使用的分类器性能评价指标,以此验证改进的分类方法的有效性。2.对AD/MCI小样本分类问题,以高斯过程为基础设计了一种分步的分类方法:先对测试样本利用高斯过程进行初步分类;依据后验概率筛选类别归属确定性强的样本作为补充参与训练,对其余错分可能性相对较高的样本重新进行分类。利用ADNI数据库磁共振影像的分类实验表明二次分类倾向于增大样本归属于真实类别的后验概率、提高类别判定的确定性,分类性能优于常规的高斯过程分类方法和支持向量机。3.为增强高斯过程分类模型对高维复杂数据集...
【文章来源】：山东科技大学山东省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
图２．４受限玻尔兹曼机模型结构图??
隐含层存储的数据为低维特征，ＤＢＮｓ中的每层神经元都和上层中??的神经元相连。ＤＢＮ结构中相邻的两层可以看作一个单独的ＲＢＭＰＩ，结构图如??图２．５所示：??Ｓ１?＾圓??Ｉ：圆??图２．５深度信念网络结构示意图??Ｆｉｇｕｒｅ?２．５?Ｄｅｅｐ?Ｂｅｌｉｅｆ?Ｎｅｔｓ?Ｓｔｒｕｃｔｕｒｅ?Ｄｉａｇｒａｍ??具有Ｌ层隐含层的ＤＢＮ模型，可见层ｖ和隐含层Ａ的概率分布为：??／１－２?＼??Ｐ（ｖ，ｈ＇，－，ｈＬ）＝?Ｉ７２＂＂１）?ｐ｛ｈＬ￣ｘｙ）?式（２．６３）??ｖ?＾＝１?Ｊ??利用ＤＢＮｓ进行分类的思想是：首先由训练样本对ＤＢＮｓ模型进行预训练，??在得到局部较优解之后，在模型最上层添加分类器对网络输出的特征进行分类，??通常使用ＳＶＭ分类器。由于模型输出特征是在无监督学习方法下提取的，因此??在进行分类任务时，需要在分类器上添加样本标签进行有监督训练，并为了使??分类效果更好，通常采用ＢＰ算法根据误差对整个网络进行微调。??训练ＤＢＮｓ模型主要由两个阶段组成
期间用于表示信号检测特性时创造的，现在人们通常就称之为Ｒ０Ｃ曲线而不用??其原始的全名。该曲线以灵敏度Ｓｎ即真阳性率作为纵坐标，假阳性率（１－特异??度）作为横坐标，如下图２．６所示。??对于一个分类器的分类性能，人们总是希望其真阳性率高、假阳性率低。??如果某种分类方法的真阳性率总是等于其假阳性率，那么就没有任何应用价值，??这就对应于Ｒ０Ｃ曲线中的对角线。图中（０，０）点和（１，１）点是两种极端情况，??分别表示所有样本都被判断为阴性和所有样本都被判断为阳性。每确定一个阈??值就决定了决策的真假阳性率，对应图中曲线上的－个点，比如（０．１，０．８）点表??２３??
【参考文献】：
期刊论文
[1]基于增强AlexNet的深度学习的阿尔茨海默病的早期诊断[J]. 吕鸿蒙,赵地,迟学斌. 计算机科学. 2017(S1)
[2]基于深度表示学习和高斯过程迁移学习的情感分析方法[J]. 吴冬茵,桂林,陈钊,徐睿峰. 中文信息学报. 2017(01)
[3]基于高斯过程的多分类器[J]. 黄维,童莹,曹雪虹. 计算机工程与设计. 2016(04)
[4]一种基于复合稀疏表示的阿尔茨海默病的诊断方法[J]. 滕升华,商胜楠,王芳,赵增顺. 生物医学工程研究. 2016(01)
[5]基于支持向量机的老年痴呆症-头发微量元素相关性研究[J]. 杨兴华,肖缇,吴锋. 计算机与应用化学. 2013(02)
本文编号：3331002
【文章来源】：山东科技大学山东省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
图２．４受限玻尔兹曼机模型结构图??
隐含层存储的数据为低维特征，ＤＢＮｓ中的每层神经元都和上层中??的神经元相连。ＤＢＮ结构中相邻的两层可以看作一个单独的ＲＢＭＰＩ，结构图如??图２．５所示：??Ｓ１?＾圓??Ｉ：圆??图２．５深度信念网络结构示意图??Ｆｉｇｕｒｅ?２．５?Ｄｅｅｐ?Ｂｅｌｉｅｆ?Ｎｅｔｓ?Ｓｔｒｕｃｔｕｒｅ?Ｄｉａｇｒａｍ??具有Ｌ层隐含层的ＤＢＮ模型，可见层ｖ和隐含层Ａ的概率分布为：??／１－２?＼??Ｐ（ｖ，ｈ＇，－，ｈＬ）＝?Ｉ７２＂＂１）?ｐ｛ｈＬ￣ｘｙ）?式（２．６３）??ｖ?＾＝１?Ｊ??利用ＤＢＮｓ进行分类的思想是：首先由训练样本对ＤＢＮｓ模型进行预训练，??在得到局部较优解之后，在模型最上层添加分类器对网络输出的特征进行分类，??通常使用ＳＶＭ分类器。由于模型输出特征是在无监督学习方法下提取的，因此??在进行分类任务时，需要在分类器上添加样本标签进行有监督训练，并为了使??分类效果更好，通常采用ＢＰ算法根据误差对整个网络进行微调。??训练ＤＢＮｓ模型主要由两个阶段组成
期间用于表示信号检测特性时创造的，现在人们通常就称之为Ｒ０Ｃ曲线而不用??其原始的全名。该曲线以灵敏度Ｓｎ即真阳性率作为纵坐标，假阳性率（１－特异??度）作为横坐标，如下图２．６所示。??对于一个分类器的分类性能，人们总是希望其真阳性率高、假阳性率低。??如果某种分类方法的真阳性率总是等于其假阳性率，那么就没有任何应用价值，??这就对应于Ｒ０Ｃ曲线中的对角线。图中（０，０）点和（１，１）点是两种极端情况，??分别表示所有样本都被判断为阴性和所有样本都被判断为阳性。每确定一个阈??值就决定了决策的真假阳性率，对应图中曲线上的－个点，比如（０．１，０．８）点表??２３??
【参考文献】：
期刊论文
[1]基于增强AlexNet的深度学习的阿尔茨海默病的早期诊断[J]. 吕鸿蒙,赵地,迟学斌. 计算机科学. 2017(S1)
[2]基于深度表示学习和高斯过程迁移学习的情感分析方法[J]. 吴冬茵,桂林,陈钊,徐睿峰. 中文信息学报. 2017(01)
[3]基于高斯过程的多分类器[J]. 黄维,童莹,曹雪虹. 计算机工程与设计. 2016(04)
[4]一种基于复合稀疏表示的阿尔茨海默病的诊断方法[J]. 滕升华,商胜楠,王芳,赵增顺. 生物医学工程研究. 2016(01)
[5]基于支持向量机的老年痴呆症-头发微量元素相关性研究[J]. 杨兴华,肖缇,吴锋. 计算机与应用化学. 2013(02)
本文编号：3331002
本文链接：https://www.wllwen.com/kejilunwen/yysx/3331002.html
