基于随机森林算法的儿童注意缺陷多动障碍检测和分类
发布时间：2021-01-09 23:29
随着成像等各种辅助诊断技术的发展,越来越多跨学科的研究者们基于不同的数据去探索人类大脑的内部运作及其与神经病学和神经退行性疾病之间的联系,然而利用经典的统计学方法处理这种高维医学图像的效果欠佳。本文主要的研究目标是基于注意力缺陷多动障碍的高维影像数据,注意力缺陷多动障碍（Attention Deficit Hyperactivity Disorder,ADHD）也叫少儿多动症,是最常见的儿童疾病之一,可以持续到个人发育的青春期和成年,症状包括难以集中注意力,难以控制行为和活动过度。近年来,在对该病症的影像数据的研究中,传统的统计方法直接将成像数据向量化后会得到超高的维数,这种向量化会对成像数据结构造成严重的破坏,忽视了数据的结构依赖性,从而损失很多重要的结构信息,因此该类数据的处理对经典统计方法提出了前所未有的挑战。本文所用的实验数据ADHD-200是注意缺陷多动障碍的核磁共振影像（MRI）数据,基于此数据提出了一种多维度分割的数据预处理方法,结合随机森林分类方法对分割后的数据进行分类,然后再根据提出的多维度集成算法进行分类和目标检测任务。主要完成了提高诊断正确率、病变区域检测和阈值选...
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：48 页
【学位级别】：硕士
【部分图文】：
MRI数据的整体三维呈现效果图
兰州大学硕士学位论文基于随机森林算法的儿童注意缺陷多动障碍检测和分类图2-2沿冠状面所得切片的可视化效果图2.2多维度切片的数据预处理方法2.2.1多维度切片方法本文所用数据集中的每一个样本都有着独特的三维结构，如果将该结构的样本直接输入计算机内进行处理，将会得超高维的数组，这使得数据处理的实际操作过程面临巨大的挑战。另外，传统的机器学习算法和深度学习算法都是以二维数据为主要研究对象，而现有方法对三维数据的直接应用也充满了局限性。而且就计算机存储而言，单个样本在计算机中的内存大概为8M，当所有数据导入运行设备中后对设备的存储和计算性能也有很高的要求。另外，众所周知的是当样本量足够时，模型的训练效果才能得到保证，然而该数据集中所包含样本总量不超过1000，而在子数据集的研究中单个数据集KKI的样本量还不超过100，样本量不充足这一原因也对模型的训练效果造成了巨大的隐患。基于对以上问题的思考，本文考虑从每一个样本的内部信息入手，充分利用样本三个维度下的每一张切片所包含的数据信息，所以对每一个样本进行如下操作：基于3DMRI数据的结构特性，分别某一样本的冠状面、矢状面和横断面进行一次切割，进而会得到相应截面方向上的三种不同视角下的脑部切片。正如图2-3所示，x轴代表矢状面方向，在该方向上切割会得到121张图像切片，而产生的图片尺寸为145*121；y轴代表冠状面方向，在该方向上切割会得到145张图像切片，而产生的图片尺寸为121*121；z轴代表横断面方向，在该方向上切割会得到121张图像10
兰州大学硕士学位论文基于随机森林算法的儿童注意缺陷多动障碍检测和分类切片，而产生的图片尺寸为121*145；其中左边图像表示大脑冠状面方向上按照从前向后的顺序计数，第66张切片的截面示意图；中间图像表示大脑的矢状面方向上按照从左向右的顺序计数，第56张切片的截面示意图；右边图像表示大脑横断面方向上按照从上向下的顺序计数，第76张切片的截面示意图。图2-3不同维度下切片的可视化效果图同时，如果在固定的任意一个方向上连续切割，则会得到在这一视角下，大脑不同位置的连续的CT图像。以某一样本的冠状面为例，在这一视角下连续切割会产生总计145张尺寸为121*121的图像切片。y轴表示该方向为冠状面，左下角数字表示按照从前向后的顺序进行切分而得到的对应切片的序号。其中左边图像表示大脑冠状面方向上第36张切片的截面示意图，中间图像表示大脑的冠状面方向上第66张切片的截面示意图，右边图像表示大脑冠状面方向上第86张切片的截面示意图。对于其他截面方向上的切割处理，操作也是如此。图2-4同一维度下不同位置的切片的可视化效果图以上步骤展示了单个样本在多种视角下的切分结果，接下来本文将对包括训练11
【参考文献】：
期刊论文
[1]基于改进大脑情感学习算法的有效数据分类（英文）[J]. 梅英,谭冠政. Journal of Central South University. 2018(05)
本文编号：2967607
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：48 页
【学位级别】：硕士
【部分图文】：
MRI数据的整体三维呈现效果图
兰州大学硕士学位论文基于随机森林算法的儿童注意缺陷多动障碍检测和分类图2-2沿冠状面所得切片的可视化效果图2.2多维度切片的数据预处理方法2.2.1多维度切片方法本文所用数据集中的每一个样本都有着独特的三维结构，如果将该结构的样本直接输入计算机内进行处理，将会得超高维的数组，这使得数据处理的实际操作过程面临巨大的挑战。另外，传统的机器学习算法和深度学习算法都是以二维数据为主要研究对象，而现有方法对三维数据的直接应用也充满了局限性。而且就计算机存储而言，单个样本在计算机中的内存大概为8M，当所有数据导入运行设备中后对设备的存储和计算性能也有很高的要求。另外，众所周知的是当样本量足够时，模型的训练效果才能得到保证，然而该数据集中所包含样本总量不超过1000，而在子数据集的研究中单个数据集KKI的样本量还不超过100，样本量不充足这一原因也对模型的训练效果造成了巨大的隐患。基于对以上问题的思考，本文考虑从每一个样本的内部信息入手，充分利用样本三个维度下的每一张切片所包含的数据信息，所以对每一个样本进行如下操作：基于3DMRI数据的结构特性，分别某一样本的冠状面、矢状面和横断面进行一次切割，进而会得到相应截面方向上的三种不同视角下的脑部切片。正如图2-3所示，x轴代表矢状面方向，在该方向上切割会得到121张图像切片，而产生的图片尺寸为145*121；y轴代表冠状面方向，在该方向上切割会得到145张图像切片，而产生的图片尺寸为121*121；z轴代表横断面方向，在该方向上切割会得到121张图像10
兰州大学硕士学位论文基于随机森林算法的儿童注意缺陷多动障碍检测和分类切片，而产生的图片尺寸为121*145；其中左边图像表示大脑冠状面方向上按照从前向后的顺序计数，第66张切片的截面示意图；中间图像表示大脑的矢状面方向上按照从左向右的顺序计数，第56张切片的截面示意图；右边图像表示大脑横断面方向上按照从上向下的顺序计数，第76张切片的截面示意图。图2-3不同维度下切片的可视化效果图同时，如果在固定的任意一个方向上连续切割，则会得到在这一视角下，大脑不同位置的连续的CT图像。以某一样本的冠状面为例，在这一视角下连续切割会产生总计145张尺寸为121*121的图像切片。y轴表示该方向为冠状面，左下角数字表示按照从前向后的顺序进行切分而得到的对应切片的序号。其中左边图像表示大脑冠状面方向上第36张切片的截面示意图，中间图像表示大脑的冠状面方向上第66张切片的截面示意图，右边图像表示大脑冠状面方向上第86张切片的截面示意图。对于其他截面方向上的切割处理，操作也是如此。图2-4同一维度下不同位置的切片的可视化效果图以上步骤展示了单个样本在多种视角下的切分结果，接下来本文将对包括训练11
【参考文献】：
期刊论文
[1]基于改进大脑情感学习算法的有效数据分类（英文）[J]. 梅英,谭冠政. Journal of Central South University. 2018(05)
本文编号：2967607
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2967607.html
