基于超图的多模态特征选择及分类方法研究

发布时间：2023-06-01 01:22

　　近年来,随着医学成像技术的发展,机器学习方法与脑影像结合,用于寻找对脑疾病敏感的生物标记物,并辅助脑疾病的诊断,已经成为一个新的研究热点。多模态的医学影像为脑疾病的诊断提供了丰富的信息。本文基于多模态的医学影像,通过不同的模态融合方法充分挖掘模态特有的信息以及模态之间的相关信息,从而进行特征选择及分类。超图模型是普通图在拓扑结构上的一种泛化,克服了普通图在复杂关系表示上的缺陷,能够很好地刻画高阶关系。本文重点关注超图在多模态影像分析中的应用,主要工作和创新点如下:首先,提出一种基于超图的多模态特征选择算法。具体来说,把每个模态上的特征选择看作是一个任务,利用多任务学习框架来进行联合特征选择,充分利用模态之间的相关信息,通过组稀疏正则化可以保证不同模态的同一脑区同时被选中。进一步地,通过加入超图拉普拉斯正则化项来更好地利用样本之间的高阶复杂关系。基于选择好的特征,采用多核支持向量机来进行分类,实验结果表明,提出的方法有助于选择出更具有判别性的特征,从而提高分类性能。另外,多模态影像之间不一定是线性相关的关系,因此,提出一种基于图扩散的多模态非线性融合方法。在每个模态上分别建一个图,通过不...

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
注释表
缩略表
第一章 绪论
    1.1 问题提出与研究意义
    1.2 国内外研究现状
        1.2.1 多模态特征选择算法
        1.2.2 多模态融合算法
        1.2.3 多模态分类算法
        1.2.4 图与超图学习
    1.3 本文的主要工作及内容安排
第二章 相关背景知识
    2.1 引言
    2.2 超图的基本概念
    2.3 超图的学习方法
        2.3.1 星形扩展法
        2.3.2 连通分量扩展
        2.3.3 Bolla拉普拉斯算子
        2.3.4 Rodriguez拉普拉斯算子
        2.3.5 Zhou归一化拉普拉斯算子
        2.3.6 Gibson动态系统
        2.3.7 Li邻接矩阵
    2.4 超图的应用
        2.4.1 超图正则化
        2.4.2 基于超图的半监督学习
    2.5 本章小结
第三章 基于超图的多模态特征选择算法
    3.1 引言
    3.2 方法框架
        3.2.1 多任务特征选择
        3.2.2 超图的构建
        3.2.3 基于超图的多模态特征选择算法
        3.2.4 优化算法
        3.2.5 多核支持向量机
    3.3 实验设计与结果分析
        3.3.1 ADNI数据集
        3.3.2 图像预处理与特征提取
        3.3.3 实验设置
        3.3.4 分类结果评估指标
        3.3.5 分类结果分析
        3.3.6 判别性脑区
        3.3.7 参数影响
    3.4 本章小结
第四章 基于图扩散的直推式超图学习算法
    4.1 引言
    4.2 算法框架
        4.2.1 图扩散算法
        4.2.2 超图的构建
        4.2.3 直推式超图分类方法
    4.3 实验设计与结果分析
        4.3.1 数据集介绍
        4.3.2 数据采集及特征提取
        4.3.3 实验设置
        4.3.4 实验结果分析
    4.4 本章小结
第五章 总结与展望
    5.1 本文总结
    5.2 未来的工作展望
参考文献
致谢
在学期间的研究成果及发表的学术论文



本文编号：3826380