多模態(tài)特征選擇及其在腦疾病分類中的應(yīng)用研究.pdf

1、最近幾年，隨著醫(yī)學(xué)影像技術(shù)的成熟和發(fā)展，基于這些神經(jīng)影像技術(shù)的圖像數(shù)據(jù)提取人腦的全腦結(jié)構(gòu)與功能連接模式，用于腦疾病的預(yù)測和診斷，已經(jīng)成為新的研究熱點(diǎn)。通過運(yùn)用機(jī)器學(xué)習(xí)和模式識別提供的技術(shù)手段和方法，分析多種模態(tài)的醫(yī)學(xué)影像數(shù)據(jù)，發(fā)現(xiàn)其中的規(guī)律，從而有效的預(yù)測和分類未知數(shù)據(jù)，并找出與腦疾病有關(guān)系的腦區(qū)特征，也已成為研究趨勢。本文基于多任務(wù)特征選擇方法，對多模態(tài)神經(jīng)影像數(shù)據(jù)進(jìn)行分析和研究，從而進(jìn)行腦疾病的分類。本文的主要工作和創(chuàng)新點(diǎn)如下：

2、r>　　首先，我們提出了一個判別性多任務(wù)特征選擇方法，來選擇最具判別性的特征用于基于多模態(tài)的腦疾病分類。具體來說，對于每一個模態(tài)，我們使用相應(yīng)模態(tài)的數(shù)據(jù)訓(xùn)練一個線性回歸模型，并且進(jìn)一步對這些回歸模型的權(quán)重執(zhí)行組稀疏正則化，用于在多個模態(tài)中聯(lián)合的選擇共同的特征。進(jìn)一步，我們提出基于類內(nèi)類間拉普拉斯矩陣的判別性正則化項來更好的使用樣本之間的判別性信息。在選擇出判別性特征之后，我們使用多核支持向量機(jī)方法來進(jìn)行腦疾病的分類。實驗結(jié)果表明，我們提

3、出的方法不僅改善了腦疾病的分類性能，而且有潛力發(fā)現(xiàn)對于疾病診斷有利的與疾病相關(guān)的生物學(xué)標(biāo)記，因而具有較大的生物醫(yī)學(xué)意義。
　　另外，我們發(fā)現(xiàn)，在存在的多模態(tài)特征選擇方法中通常使用傳統(tǒng)距離，比如歐氏距離，來度量兩個樣本之間的相似性，由于歐氏距離靜態(tài)的本質(zhì)，它忽視了目標(biāo)樣本和所有其他樣本之間的全局結(jié)構(gòu)信息。因此，為了充分考慮樣本的動態(tài)全局信息，我們采用有效距離來替代歐氏距離作為一種相似性度量方法用于特征選擇學(xué)習(xí)以及用選擇的特征實現(xiàn)腦疾