基于迁移学习的多模态脑图像分析及其应用研究

发布时间：2017-05-23 17:05

  本文关键词：基于迁移学习的多模态脑图像分析及其应用研究，，由笔耕文化传播整理发布。

【摘要】：脑疾病的早期诊断和干预,对于其治疗和相关药物的研究,都具有十分重要的意义。采用脑图像检测是目前使用较广泛的脑疾病早期诊断方法。近年来,机器学习被广泛地应用于脑图像分析中。然而,当前大多数基于机器学习的脑图像分析研究主要集中于在多模态图像上设计监督学习算法与模型,且训练集样本大多来自同一学习领域。为了充分利用相关学习领域的先验知识,迁移学习被提出并能较好地解决此类学习问题。本文基于多模态脑图像与生物标志,同时结合相关领域的先验信息,提出了基于迁移学习的多模态分类、回归方法。本文的创新性研究工作主要有:(1)为充分利用相关学习领域的先验知识,提出了多模态领域迁移学习分类模型。首先,为了找出多领域共同有效的特征子集,根据组稀疏化正则化方法,设计了领域迁移学习特征选择方法DTFS。然后,为了同时移除多模态多领域训练集中所包含的带噪声的或不相干的样本,结合交叉领域核与组稀疏正则化方法,提出了多模态领域迁移学习样本选择方法DTSS。最后,为了利用多模态之间互补信息以及多领域之间的相关信息,根据自适应支持向量机和多核学习,提出了多模态领域迁移学习支持向量机DTSVM。在标准数据集ADNI上实验验证了该分类模型的性能。(2)为充分利用多模态相关学习领域结合未标记数据的先验知识,提出了流形正则化的多模态迁移学习分类模型M2TL。首先,为了利用多领域的相关性知识并且降低领域之间数据分布的差异性,构建基于交叉领域核的均值差异最大化准则(KMMD)。然后,为了有效利用标记样本与未标记样本之间数据分布的结构信息,构建基于交叉领域核的流形正则化项。接着,为了同时移除多模态多领域训练集中含噪声的、不相关的样本,引入组稀疏正则化项,再结合KMMD准则与流形正则化项,将传统的半监督流形正则化最小二乘法分类模型,扩展为M2TL分类模型。在标准数据集ADNI上实验验证了M2TL分类模型的性能。(3)为了精确诊断脑疾病患者临床疾病阶段,提出了半监督多模态迁移学习相关向量机回归算法SM-RVR。首先,为了获取多模态之间互补性判别信息,根据多核学习技术,提出了多模态相关向量机回归方法M-RVR。由于获取标记样本通常是昂贵且费时,我们将M-RVR扩展为SM-RVR。然后,设计了多模态k-近邻法,用于估计未标记样本的目标变量值。接着,为了找出最有效的未标记样本,设计了基于M-RVR的样本选择算法。最后,结合选择出的未标记样本,采用M-RVR估计测试样本的目标变量值,以此来诊断患者临床疾病阶段。在标准数据集ADNI上实验验证了SM-RVR回归模型的性能,并表明SM-RVR对精确诊断脑疾病患者临床疾病阶段具有较大的潜力。(4)为充分利用多标记多相关学习领域的先验知识,提出了基于多模态的多领域多标记迁移学习模型MDML。首先,为了利用不同标记组之间的相关性信息,同时又保留各标记组自身判别信息,根据稀疏Lasso特征学习和多标记学习框架,构建多标记稀疏group-Lasso特征选择模型。然后,为利用多领域的相关性知识,引入迁移学习思想,构建多领域多标记迁移特征学习模型。最后,为了利用多模态之间的互补信息,将MDML方法寻找出在多模态脑图像上最具判别性的特征子集,输入到多模态支持向量机、M-RVR,用于分类或回归。在标准数据集ADNI上实验验证了MDML的性能。实验结果表明,提出的MDML能同时找到用以分类与回归有效特征子集。
【关键词】：迁移学习 支持向量机 相关向量机 机器学习 多模态脑图像分析 脑疾病
【学位授予单位】：南京航空航天大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要4-6
• Abstract6-14
• 第一章 绪论14-28
• 1.1 引言14-15
• 1.2 基于神经影像的脑疾病诊断15-16
• 1.3 基于机器学习的脑图像分析16-24
• 1.3.1 研究现状17-19
• 1.3.2 多模态数据分析19-24
• 1.4 迁移学习24-25
• 1.5 本文的主要研究工作25-26
• 1.6 本文的内容安排26-28
• 第二章 多模态领域迁移学习28-46
• 2.1 引言28-29
• 2.2 算法的框架29-30
• 2.3 多模态领域迁移学习算法30-34
• 2.3.1 特征选择30-32
• 2.3.2 样本选择32-33
• 2.3.3 分类器33-34
• 2.4 实验结果与分析34-44
• 2.4.1 ADNI数据集34-35
• 2.4.2 脑图像预处理与特征提取35-36
• 2.4.3 实验设置36-37
• 2.4.4 识别MCI转化为AD的分类性能37-40
• 2.4.5 判别性脑区检测40-42
• 2.4.6 扩展识别MCI vs. AD/NC42-44
• 2.5 本章小结44-46
• 第三章 基于流形正则化的多模态迁移学习46-59
• 3.1 引言46-47
• 3.2 算法的框架47-48
• 3.3 流形正则化多模态迁移学习算法48-50
• 3.3.1 学习模型48-50
• 3.3.2 优化算法50
• 3.4 样本选择与分类50-51
• 3.5 实验结果与分析51-57
• 3.5.1 实验数据51
• 3.5.2 实验设置51-52
• 3.5.3 M2TL与其他方法分类性能比较52-55
• 3.5.4 加入样本选择的M2TL方法与其他方法的性能比较55-57
• 3.6 本章小结57-59
• 第四章 多模态迁移学习相关向量机59-80
• 4.1 引言59-60
• 4.2 监督多模态相关向量机回归60-62
• 4.2.1 相关向量机60-62
• 4.2.2 多模态相关向量机回归62
• 4.3 半监督多模态迁移学习相关向量机回归62-65
• 4.3.1 多模态-近邻法62-64
• 4.3.2 样本选择64-65
• 4.3.3 回归65
• 4.4 实验结果与分析65-78
• 4.4.1 实验设置66
• 4.4.2 M-RVR估计MMSE、ADAS-Cog性能66-71
• 4.4.3 权值系数对M-RVR回归性能的影响71
• 4.4.4 SM-RVR估计MMSE、ADAS-Cog性能71-75
• 4.4.5 权值系数对SM-RVR回归性能的影响75-76
• 4.4.6 SM-RVR与其他方法比较76-78
• 4.5 本章小结78-80
• 第五章 多模态多标记迁移学习80-97
• 5.1 引言80-81
• 5.2 算法流程图81-82
• 5.3 多领域多标记迁移学习特征选择82-84
• 5.3.1 多标记稀疏group-Lasso82-83
• 5.3.2 多领域多标记稀疏group-Lasso83-84
• 5.4 多模态分类/回归84
• 5.5 实验结果与分析84-95
• 5.5.1 实验数据84
• 5.5.2 实验设置84-85
• 5.5.3 诊断MCI转化为AD的分类性能85-87
• 5.5.4 估计MMSE和ADAS-Cog评分值87-92
• 5.5.5 判别性脑区检测92-95
• 5.6 本章小结95-97
• 第六章 结束语97-99
• 参考文献99-112
• 致谢112-113
• 在学期间的研究成果及发表的学术论文113-115
• 附录115-117

【相似文献】

中国期刊全文数据库 前10条

1 杨?,裴继红,谢维信;一种基于频带一致性的多模态图像校准算法[J];通信学报;2005年04期

2 王晓春;黄靖;杨丰;罗蔓;;基于SVM模型参数优化的多模态MRI图像肿瘤分割方法[J];南方医科大学学报;2014年05期

3 齐妙;代江艳;王建中;于晓熹;张明;;基于内容的多模态可逆密写方法[J];计算机科学;2012年11期

4 王睿佳;刘耀;;面向科技文献的多模态语义关联特征提取与表达体系研究[J];大学图书馆学报;2012年05期

5 齐守良;岳勇;辛军;康雁;;面向临床肿瘤诊疗决策的多模态医学影像融合[J];中国生物医学工程学报;2013年03期

6 梁爱华;袁家政;和青芳;何娟;;基于指部关联特征的多模态图像采集系统[J];传感技术学报;2014年02期

7 王晨晖;管凤旭;宋新景;马也;;掌纹和三维手形的多模态图像采集装置设计[J];自动化技术与应用;2011年07期

8 徐红梅;刘金明;;电视相亲节目图标的多模态话语分析——以《非诚勿扰》和《我们约会吧》为例[J];华中人文论丛;2013年03期

9 苏坡;杨建华;薛忠;;基于超像素的多模态MRI脑胶质瘤分割[J];西北工业大学学报;2014年03期

10 葛云,舒华忠,罗立民;基于曲率及相关性的相似区域的线性配准[J];电子学报;2000年08期

中国博士学位论文全文数据库 前6条

1 汤永华;非接触条件下手部多模态生物特征融合方法的研究[D];沈阳工业大学;2015年

2 程波;基于迁移学习的多模态脑图像分析及其应用研究[D];南京航空航天大学;2015年

3 蒋君;多模态肿瘤图像联合分割方法研究[D];南方医科大学;2014年

4 彭加亮;基于手指多模态生物特征的身份认证关键问题研究[D];哈尔滨工业大学;2014年

5 周延萍;互联网图像搜索中的多模态融合[D];中国科学技术大学;2015年

6 卢彦斌;X射线CT成像技术与多模态层析成像技术研究[D];北京大学;2012年

中国硕士学位论文全文数据库 前4条

1 杨汛;基于MITK的多模态分子影像融合软件设计与实现[D];中国科学院大学(工程管理与信息技术学院);2013年

2 王佳宇;“批评”图片：图片新闻中视觉符号的多模态批评性分析[D];华中师范大学;2011年

3 张宁宁;非接触多模态手成像采集系统设计[D];沈阳工业大学;2014年

4 王晓春;结合MRI多模态信息与SVM参数优化的脑肿瘤分割研究[D];南方医科大学;2014年

  本文关键词：基于迁移学习的多模态脑图像分析及其应用研究，由笔耕文化传播整理发布。

本文编号：388543