基于遷移學(xué)習(xí)的多模態(tài)腦圖像分析及其應(yīng)用研究.pdf

1、腦疾病的早期診斷和干預(yù)，對(duì)于其治療和相關(guān)藥物的研究，都具有十分重要的意義。采用腦圖像檢測(cè)是目前使用較廣泛的腦疾病早期診斷方法。近年來，機(jī)器學(xué)習(xí)被廣泛地應(yīng)用于腦圖像分析中。然而，當(dāng)前大多數(shù)基于機(jī)器學(xué)習(xí)的腦圖像分析研究主要集中于在多模態(tài)圖像上設(shè)計(jì)監(jiān)督學(xué)習(xí)算法與模型，且訓(xùn)練集樣本大多來自同一學(xué)習(xí)領(lǐng)域。為了充分利用相關(guān)學(xué)習(xí)領(lǐng)域的先驗(yàn)知識(shí)，遷移學(xué)習(xí)被提出并能較好地解決此類學(xué)習(xí)問題。本文基于多模態(tài)腦圖像與生物標(biāo)志，同時(shí)結(jié)合相關(guān)領(lǐng)域的先驗(yàn)信息，提出了

2、基于遷移學(xué)習(xí)的多模態(tài)分類、回歸方法。本文的創(chuàng)新性研究工作主要有：
　?。?）為充分利用相關(guān)學(xué)習(xí)領(lǐng)域的先驗(yàn)知識(shí)，提出了多模態(tài)領(lǐng)域遷移學(xué)習(xí)分類模型。首先，為了找出多領(lǐng)域共同有效的特征子集，根據(jù)組稀疏化正則化方法，設(shè)計(jì)了領(lǐng)域遷移學(xué)習(xí)特征選擇方法DTFS。然后，為了同時(shí)移除多模態(tài)多領(lǐng)域訓(xùn)練集中所包含的帶噪聲的或不相干的樣本，結(jié)合交叉領(lǐng)域核與組稀疏正則化方法，提出了多模態(tài)領(lǐng)域遷移學(xué)習(xí)樣本選擇方法DTSS。最后，為了利用多模態(tài)之間互補(bǔ)信息以及

3、多領(lǐng)域之間的相關(guān)信息，根據(jù)自適應(yīng)支持向量機(jī)和多核學(xué)習(xí)，提出了多模態(tài)領(lǐng)域遷移學(xué)習(xí)支持向量機(jī)DTSVM。在標(biāo)準(zhǔn)數(shù)據(jù)集ADNI上實(shí)驗(yàn)驗(yàn)證了該分類模型的性能。
　　（2）為充分利用多模態(tài)相關(guān)學(xué)習(xí)領(lǐng)域結(jié)合未標(biāo)記數(shù)據(jù)的先驗(yàn)知識(shí)，提出了流形正則化的多模態(tài)遷移學(xué)習(xí)分類模型M2TL。首先，為了利用多領(lǐng)域的相關(guān)性知識(shí)并且降低領(lǐng)域之間數(shù)據(jù)分布的差異性，構(gòu)建基于交叉領(lǐng)域核的均值差異最大化準(zhǔn)則（KMMD）。然后，為了有效利用標(biāo)記樣本與未標(biāo)記樣本之間數(shù)據(jù)分布

4、的結(jié)構(gòu)信息，構(gòu)建基于交叉領(lǐng)域核的流形正則化項(xiàng)。接著，為了同時(shí)移除多模態(tài)多領(lǐng)域訓(xùn)練集中含噪聲的、不相關(guān)的樣本，引入組稀疏正則化項(xiàng)，再結(jié)合KMMD準(zhǔn)則與流形正則化項(xiàng)，將傳統(tǒng)的半監(jiān)督流形正則化最小二乘法分類模型，擴(kuò)展為M2TL分類模型。在標(biāo)準(zhǔn)數(shù)據(jù)集ADNI上實(shí)驗(yàn)驗(yàn)證了M2TL分類模型的性能。
　?。?）為了精確診斷腦疾病患者臨床疾病階段，提出了半監(jiān)督多模態(tài)遷移學(xué)習(xí)相關(guān)向量機(jī)回歸算法SM-RVR。首先，為了獲取多模態(tài)之間互補(bǔ)性判別信息，根

5、據(jù)多核學(xué)習(xí)技術(shù)，提出了多模態(tài)相關(guān)向量機(jī)回歸方法M-RVR。由于獲取標(biāo)記樣本通常是昂貴且費(fèi)時(shí)，我們將M-RVR擴(kuò)展為SM-RVR。然后，設(shè)計(jì)了多模態(tài)k-近鄰法，用于估計(jì)未標(biāo)記樣本的目標(biāo)變量值。接著，為了找出最有效的未標(biāo)記樣本，設(shè)計(jì)了基于M-RVR的樣本選擇算法。最后，結(jié)合選擇出的未標(biāo)記樣本，采用M-RVR估計(jì)測(cè)試樣本的目標(biāo)變量值，以此來診斷患者臨床疾病階段。在標(biāo)準(zhǔn)數(shù)據(jù)集ADNI上實(shí)驗(yàn)驗(yàn)證了SM-RVR回歸模型的性能，并表明SM-RVR對(duì)精

6、確診斷腦疾病患者臨床疾病階段具有較大的潛力。
　?。?）為充分利用多標(biāo)記多相關(guān)學(xué)習(xí)領(lǐng)域的先驗(yàn)知識(shí)，提出了基于多模態(tài)的多領(lǐng)域多標(biāo)記遷移學(xué)習(xí)模型MDML。首先，為了利用不同標(biāo)記組之間的相關(guān)性信息，同時(shí)又保留各標(biāo)記組自身判別信息，根據(jù)稀疏Lasso特征學(xué)習(xí)和多標(biāo)記學(xué)習(xí)框架，構(gòu)建多標(biāo)記稀疏group-Lasso特征選擇模型。然后，為利用多領(lǐng)域的相關(guān)性知識(shí)，引入遷移學(xué)習(xí)思想，構(gòu)建多領(lǐng)域多標(biāo)記遷移特征學(xué)習(xí)模型。最后，為了利用多模態(tài)之間的互補(bǔ)信