基于机器学习的阿尔兹海默病自动分类、检索及预测的研究
发布时间：2020-04-16 09:12
【摘要】：阿尔兹海默病(Alzheimer's Disease,AD)是一种神经退行性的疾病且目前无法治愈。对AD疾病的计算机辅助诊断框架,有助于帮助医师根据神经影像及病人信息作出正确的分析和决策。本论文工作基于机器学习方法进行特征工程和疾病建模研究。其中,早期分类、病例检索及评分预测三种不同任务的结果都能作为重要的计算机辅助诊断参考,提高诊断性能。(1)为了对AD及其早期阶段——轻度认知障碍(Mild Cognitive Impairment,MCI)进行更准确的诊断,本论文利用了多模态影像数据并分析了模态间特征关系,用于增强与AD/MCI相关特征的表达能力。首先,基于典型相关分析融合不同模态间多个特征并生成多模态关系特征表达;其次,基于稀疏最小二乘回归损失函数,选择稳定且有判别力的相关性表达特征;最后,随机抽取训练样本用于训练支持向量机分类模型,再用剩余样本作为测试集验证得到分类准确率。结果表明该方法挖掘多维特征间的关系,能有效应用于增强多模态数据信息。(2)医学数据检索已经广泛地运用于计算机辅助诊断,检索得到的同类受试者就可以为查询样本的诊断决策和制定高效治疗方案提供优先参考。为了研究从多源数据中检索阿尔兹海默病的同类病例,本论文提出自适应集成流形学习方法。该方法通过流形学习加强几何约束以学习同类受试者的相似性。不同源数据的加权集成有利于不同源的特性表达和信息互补。此外,广义范数明确探讨了自适应控制的稀疏度。实验结果表明,该方法能结合多源信息加强聚合同类受试者且适应于多种检索任务。(3)多时间点的评分预测可以提供预测类型的可信参考评分,帮助预估AD疾病发展进程。本论文还建立了阿尔兹海默病多时间点缺失回访数据的补全预测框架。本方法首先基于低秩方法利用已有数据矩阵信息计算出不同时间点其他受试者的缺失数据,然后根据已补全的完整数据集,建立阿尔兹海默病疾病判断和发展预测模型。我们使用擅长处理时间序列的循环神经网络完成训练任务,并预测相应的临床量表评分分数,以辅助医师对患者病情作出预判。综上所述,本论文以计算机辅助诊断阿尔兹海默病为研究目的,基于机器学习方法分别以分类、检索和预测作为三大主要任务展开研究,研究内容包括特征工程和分类回归模型用于分析诊断过程中几个最关键、最困难的问题,以异源异构数据和多时间点发展为主线,并用公共数据库进行大量的实验,结果论证了本论文所提出方法的可行性和有效性。同时本论文所提及的理论、模型及算法对其他痴呆类型或神经性疾病的辅助诊断和应用也有指导和借鉴意义。
【图文】：
逦基于机器学习的阿尔兹海默病自动诊断、检索及预测的研究小二乘损失函数以增强特征选择，学习得到的权重参数选取权重大的特征，如此不仅获得判别力较大的特征以减少噪声特征的干扰，，同时也能降低数据维度加速训练过实验基于ＡＤ邋ｖｓ．邋ＮＣ，ＭＣＩ邋ｖｓ．邋ＳＣ和ｐ－ＭＣＩ邋ｖｓ．邋Ｓ－ＭＣＩ三种类型数据，最终将已选择特征数据输入ＳＶＭ建立起相应的分类模型，从而进行ＡＤ／ＭＣＩ疾病区分。逡逑
２．４讨论逡逑结果分析：ＣＣＡ是＾个功能强大的统计学方法，能够分析两组多变量之间的关系并逡逑找到最佳线性映射来表达两组变量的最大互相关表达。木研宄基于ＣＣＡ计算两组来自不逡逑同模态的特征组之间的相关性表达，并将其应用于选择对ＡＤ／ＭＣＩ敏感的特征并构建ＳＶＭ逡逑分类模型，实现自动分类和诊断的目的。在分类实验中，加入了典型相关特征表达的方逡逑法与其它类型方法相比，在准确率上获得了最佳，这是因为ＣＣＡ能够分析两组变量的关逡逑系从而协同互补不同模态的相应感兴趣区域信息，增强了有效特征的表达力［４９］。ＣＣＡ逡逑相当于先对原各组变量进行主成分分析以获得组内线性关系，再通过两者之间的相关系逡逑数来表达组间变量关系。因此，相较于只对全部变f垼ǎ停遥珊停校牛蕴卣鳎┳鐾环治龅腻义希校茫练椒ê筒豢悸悄Ｌ湎喙毓叵档奶卣餮≡瘢蹋粒樱樱戏椒ɡ此担茫茫粮兄诓蹲胶蜕稿义涎〕瞿芄桓ㄖ锒系奶卣鳌Ｏ啾韧枪叵捣治龅模校澹幔颍螅铮钕喙胤治龇椒ǎ茫茫猎冢粒腻澹觯螅义希撸保煤停穑停茫慑澹觯螅澹螅停茫缮系姆掷嘧既仿视薪担サ奶嵘馐且蛭校澹幔颍螅铮罹窒抻诩虻ュ义希茫茫痢＃
本文编号：2629618
【图文】：
逦基于机器学习的阿尔兹海默病自动诊断、检索及预测的研究小二乘损失函数以增强特征选择，学习得到的权重参数选取权重大的特征，如此不仅获得判别力较大的特征以减少噪声特征的干扰，，同时也能降低数据维度加速训练过实验基于ＡＤ邋ｖｓ．邋ＮＣ，ＭＣＩ邋ｖｓ．邋ＳＣ和ｐ－ＭＣＩ邋ｖｓ．邋Ｓ－ＭＣＩ三种类型数据，最终将已选择特征数据输入ＳＶＭ建立起相应的分类模型，从而进行ＡＤ／ＭＣＩ疾病区分。逡逑
２．４讨论逡逑结果分析：ＣＣＡ是＾个功能强大的统计学方法，能够分析两组多变量之间的关系并逡逑找到最佳线性映射来表达两组变量的最大互相关表达。木研宄基于ＣＣＡ计算两组来自不逡逑同模态的特征组之间的相关性表达，并将其应用于选择对ＡＤ／ＭＣＩ敏感的特征并构建ＳＶＭ逡逑分类模型，实现自动分类和诊断的目的。在分类实验中，加入了典型相关特征表达的方逡逑法与其它类型方法相比，在准确率上获得了最佳，这是因为ＣＣＡ能够分析两组变量的关逡逑系从而协同互补不同模态的相应感兴趣区域信息，增强了有效特征的表达力［４９］。ＣＣＡ逡逑相当于先对原各组变量进行主成分分析以获得组内线性关系，再通过两者之间的相关系逡逑数来表达组间变量关系。因此，相较于只对全部变f垼ǎ停遥珊停校牛蕴卣鳎┳鐾环治龅腻义希校茫练椒ê筒豢悸悄Ｌ湎喙毓叵档奶卣餮≡瘢蹋粒樱樱戏椒ɡ此担茫茫粮兄诓蹲胶蜕稿义涎〕瞿芄桓ㄖ锒系奶卣鳌Ｏ啾韧枪叵捣治龅模校澹幔颍螅铮钕喙胤治龇椒ǎ茫茫猎冢粒腻澹觯螅义希撸保煤停穑停茫慑澹觯螅澹螅停茫缮系姆掷嘧既仿视薪担サ奶嵘馐且蛭校澹幔颍螅铮罹窒抻诩虻ュ义希茫茫痢＃
本文编号：2629618
本文链接：https://www.wllwen.com/yixuelunwen/jsb/2629618.html
最近更新
教材专著
