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(cè)和診斷，已經(jīng)成為新的研究熱點(diǎn)。通過(guò)運(yùn)用機(jī)器學(xué)習(xí)和模式識(shí)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(cè)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(shì)。本文基于多任務(wù)特征選擇方法，對(duì)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(gè)判別性多任務(wù)特征選擇方法，來(lái)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(lái)說(shuō)，對(duì)于每一個(gè)模態(tài)，我們使用相應(yīng)模態(tài)的數(shù)據(jù)訓(xùn)練一個(gè)線性回歸模型，并且進(jìn)一步對(duì)這些回歸模型的權(quán)重執(zhí)行組稀疏正則化，用于在多個(gè)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(xiàng)來(lái)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(lái)進(jìn)行腦疾病的分類。實(shí)驗(yàn)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(duì)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(lái)度量?jī)蓚€(gè)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(dòng)態(tài)全局信息，我們采用有效距離來(lái)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(shí)現(xiàn)腦疾