多模態(tài)特征選擇及其在腦疾病分類中的應用研究.pdf

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

2、r>　　首先，我們提出了一個判別性多任務特征選擇方法，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)，我們使用相應模態(tài)的數(shù)據(jù)訓練一個線性回歸模型，并且進一步對這些回歸模型的權重執(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。進一步，我們提出基于類內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方法來進行腦疾病的分類。實驗結果表明，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的生物學標記，因而具有較大的生物醫(yī)學意義。
　　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，它忽視了目標樣本和所有其他樣本之間的全局結構信息。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習以及用選擇的特征實現(xiàn)腦疾