CN110534195A - 一种基于数据空间变换的阿尔兹海默症检测方法 - Google Patents
一种基于数据空间变换的阿尔兹海默症检测方法 Download PDFInfo
- Publication number
- CN110534195A CN110534195A CN201910836855.0A CN201910836855A CN110534195A CN 110534195 A CN110534195 A CN 110534195A CN 201910836855 A CN201910836855 A CN 201910836855A CN 110534195 A CN110534195 A CN 110534195A
- Authority
- CN
- China
- Prior art keywords
- data
- feature
- subspace
- data set
- alzheimer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
- Heart & Thoracic Surgery (AREA)
- Epidemiology (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Psychiatry (AREA)
- Data Mining & Analysis (AREA)
- Neurosurgery (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Child & Adolescent Psychology (AREA)
- Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Image Analysis (AREA)
Abstract
一种基于数据空间变换的阿尔兹海默症检测方法,包括以下步骤:1:对所有数据集脑部功能磁共振成像(fMRI)数据进行建模,从数据模型中提取特征;2:对上一步提取的特征进行特征选择;3:使用数据空间变换方法将所有数据集选择后的特征数据映射到同一子空间中;4:在所述子空间中使用这些数据交叉验证训练机器学习分类模型,调整参数,得到最优的计算机辅助诊断(CAD)模型。该方法解决了不同数据集分布不一致的问题,增加了疾病诊断的可用训练样本,缓解了样本量不足而导致辅助诊断模型准确度低以及泛化能力不足的情况;同时本发明使用特征工程和机器学习算法大大提升了基于fMRI数据的AD辅助诊断的准确度。
Description
技术领域
本发明涉及计算机辅助诊断技术领域,具体涉及到一种基于数据空间变换的阿尔兹海默症检测方法。
背景技术
计算机辅助诊断(CAD)在阿尔兹海默症(AD)的研究中一直是一个热门主题,目前AD诊断主要依靠患者的临床表现,在疾病早期,病人可能没有明显的认知功能障碍或者仅仅只表现为轻度的记忆障碍,这使得病人难以与正常老龄化区分开来。由于该病在诊断上缺乏比较特异性的指标,因此早期确诊率很低。而准确和及早地诊断出该疾病对于及时治疗以及降低病人风险至关重要,因此使用CAD系统及早准确地判断疾病程度对于患者的预后及治疗至关重要。功能磁共振成像(fMRI)的时间分辨率和空间分辨率高,且安全性好,不具有放射性,可对同一患者进行重复检查,目前广泛应用于人脑认知功能的研究,是研究和检测脑部神经退化性疾病如AD的有前途的方法。然而,由于医学数据收集的复杂性和fMRI检测的成本因素,单个研究机构收集的研究样本数始终是有限的。在医学辅助诊断中,由于个人差异较大,需要保证模型的良好泛化能力,充足的样本是保证学习模型稳健性与准确性的基础。当仅有的样本集过小时,基于这个过小样本集构建分类模型不是一个明智的选择,此时借助公共共享数据集增加训练数据是一种有效的方式。比较形象的描述即为“他山之石,可以攻玉”。
发明内容
本发明的目的是提供一种基于数据空间变换的阿尔兹海默症检测方法,通过数据空间变换方法解决了不同数据集分布不一致的问题,增加了疾病诊断的可用训练样本,缓解了样本量不足而导致辅助诊断模型准确度低以及泛化能力不足的情况。同时本发明使用特征工程和机器学习算法大大提升了基于fMRI数据的AD辅助诊断的准确度。
本发明提供的技术方案如下:
一种基于数据空间变换的阿尔兹海默症检测方法,包括以下步骤:步骤1:对所有数据集脑部功能磁共振成像(fMRI)数据进行建模,从数据模型中提取特征;步骤2:对上一步提取的特征进行特征选择;步骤3:使用数据空间变换方法将所有数据集选择后的特征数据映射到同一子空间中;步骤4:在子空间中使用这些数据交叉验证训练机器学习分类模型,调整参数,得到最优的计算机辅助诊断(CAD)模型。
在上述基于数据空间变换的阿尔兹海默症检测方法中,步骤1具体包括:对于给定数据集I和II,使用大脑区域划分模板抽取出各脑区时间序列,然后对同一大脑影像中的各区域时间序列,两两计算相关系数,建立脑区之间的脑功能连接网络,最后将脑功能连接网络转化为邻接矩阵作为初始特征。
在上述基于数据空间变换的阿尔兹海默症检测方法中,步骤2具体包括:对于给定数据集I和II,采用过滤选择的方式,在数据集II上对初始特征同一位置的所有样本数据进行分析,决定是否保留该位置特征,评价标准为肯德尔相关系数;取肯德尔相关系数绝对值最大的前D个位置的特征作为选择的特征,最后将特征选择的结果应用于数据集I。
在上述基于数据空间变换的阿尔兹海默症检测方法中,在步骤3中,给定两个数据集I和II,I为包含m个样本的数据集DS,II为包含n个样本的数据集DT,[x1,…,xm]=XS∈DS和[x1,…,xn]=XT∈DT,数据变换方法将各个数据集数据映射到子空间并学习转移矩阵M,使其中一个子空间与另一个子空间对齐,数据在其中分布一致。
在上述基于数据空间变换的阿尔兹海默症检测方法中,在步骤3中,假设样本的特征维数为dm,首先利用奇异值分解(SVD)分解得到数据集II的子空间和数据集I的子空间每个数据集子空间存在d个特征向量;然后,通过适当地乘以或将每个数据点投影到其各自的子空间中;将特征向量从一个数据集子空间映射到另一个数据集子空间的函数通过最小化以下布雷格曼矩阵散度来学习:
M*=arg minM(F(M)) (2)
其中是弗罗贝尼乌斯(Frobenius)范数,为了得到最佳的M*,式(1)被重写如下:
在这个等式中,我们可以得到最优的M*即为M*=V′SVT,当特征向量被映射变换后,所有的数据在同一个子空间Vs中分布一致,最后,子空间Vs中的所有投影特征向量可以用于训练和预测。
在上述基于数据空间变换的阿尔兹海默症检测方法中,在同一子空间Vs中的数据经过标准化后,用于线性判别分析分类器,以及使用十折交叉验证来确定线性判别分析分类器最优的超参数以及最优的子空间维度(d),从而得到最优的计算机辅助诊断(CAD)模型。
本发明还提供了一种基于数据空间变换的阿尔兹海默症检测系统,包括:特征提取及选择模块,用于对所有数据集脑部功能磁共振成像(fMRI)数据进行建模,从数据模型中提取特征,以及对提取的特征进行特征选择;以及数据空间变换方法模块,用于将所有数据集选择后的特征数据映射到同一子空间中。
与现有技术相比,本发明的有益效果是:
小型医院和研究机构难以收集足够的样本进行构建准确的分类模型,这是许多小型医院和研究机构经常遇到的困境。而由于医学领域中不同数据集存在被试年龄、采集设备和采集参数不同,不同数据集之间存在分布差异,无法直接将数据集简单累加而形成的一个大数据集。本发明所提出的方法使用数据空间变换方法,利用公共大数据集来辅助训练,扩大训练数据集,提高分类模型准确度与泛化能力;同时,本发明所提出的数据空间变换方法与其他迁移学习方法(如基于特征增强的方法,基于特征变换的方法,基于字典的方法以及深度学习方法)相比,是一种相对简单的算法,只要将其他数据域映射到单个源数据域,即可以方便地适用于多个数据集。本发明方法在基于fMRI的AD辅助诊断中,通过增加可用数据对于小样本集数据取得了良好的表现,展示了其简单的形式和未来广泛的应用扩展性。
附图说明
下面结合附图,通过实施例子对本发明进一步说明如下:
图1为本发明的基于数据空间变换的阿尔兹海默症检测方法的流程图;
图2为本发明方法中所使用的两个不同数据集的特性分布图;
图3为使用本发明的基于数据空间变换方法前后的特征数据分布示意图;
图4为本发明的基于数据空间变换的阿尔兹海默症检测方法的最终分类结果对比折线图。
具体实施方式
本发明提供了一种基于数据空间变换的阿尔兹海默症检测方法,采用机器学习以及数据空间变换算法,是一种全新的阿尔兹海默症检测方法。该方法是一种基于fMRI的适用于小样本集的AD辅助诊断方法,使用数据空间变换方法解决了因样本量不足而导致无法建立准确稳健机器学习模型的问题;同时使用机器学习算法建立辅助诊断模型实现准确稳健的AD疾病检测,其检测准确度也相比传统机器学习辅助诊断方法有较大提升。
本发明的原理是:1)计算每次扫描的感兴趣区域时间序列中任意两个时间序列之间的相关系数,该相关是无向的,得到描述每个样本相关系数矩阵的高维度特征向量,接着使用肯德尔相关系数的特征选择策略进行特征选择;2)将来自不同数据集的特征数据投射到各自的子空间中,然后使用数据空间变换方法将不同数据映射到同一子空间之中。经过变换方法,在同一子空间中的数据是分布一致的;3)对于映射到同一子空间的数据,构建线性判别分析分类器,使用交叉验证选择在构建分类模型中所需要确定的超参数,得到最优的CAD分类模型。
本发明提出的基于数据空间变换的AD检测方法包括四个部分:对fMRI影像进行特征提取;特征选择消除冗余特征;数据空间变换方法增加可用训练数据;交叉验证构建最优的CAD模型。这四个部分包含从医学影像输入到对应疾病状态的输出整个过程,分别对应以下4个步骤:
1.)对所有数据集脑部fMRI数据进行建模,从数据模型中提取特征;
2.)对上一步提取的特征进行特征选择;
3.)使用数据空间变换方法将所有数据集选择后的特征数据映射到同一子空间中;
4.)在该子空间中使用这些数据交叉验证训练机器学习分类模型,调整参数,得到最优的CAD模型。
本发明提供了一种基于数据空间变换的阿尔兹海默症检测系统,包括特征提取及选择模块以及数据空间变换方法模块,其中,
特征提取及选择模块,用于对所有数据集脑部功能磁共振成像(fMRI)数据进行建模,从数据模型中提取特征,以及对提取的特征进行特征选择。具体地,用于从功能磁共振影像中提取脑部相关信息特征,同时进行特征工程得到有助分类且不冗余的子特征集;
数据空间变换方法模块,用于将所有数据集选择后的特征数据映射到同一子空间中。对不同来源分布不一致的数据集进行投射与数据空间变换,使其在同一子空间中数据分布一致。
本发明提出了使用数据空间变换办法,利用公共大数据集解决小样本集训练分类器所存在的问题。相比其他相关领域的计算机辅助检测方法,克服了样本量过少时概率估计困难的情况,显著提高了构建的机器学习模型在小样本集上的识别准确率与稳健性,同时能够适用于存在多个不同数据集的情况。该方法对于解决医学辅助诊断领域的小样本问题有较高的实用性,也为医学研究中多样本集的利用提供了新的方向。
本发明提出的方法与现有的方法相比有三点主要的改进:1.)本发明的方法使用数据空间变换方法充分利用了其他数据集的数据,而目前的辅助诊断方法多使用单数据集,数据量有限,得到的模型在本数据集上表现良好,但是可能存在严重的过拟合问题。本方法通过子空间变换对齐方法,消除不同数据集之间的分布差异,从而能够利用大量相同类型的其他数据集,提升模型的稳健性与准确度;2.)本发明使用肯德尔相关系数来进行特征选择,相比fMRI辅助诊断领域传统使用的皮尔森相关系数能够得到更为准确的有效特征;3.)本方法使用线性判别分析分类器,相比一般使用的支持向量机,该分类器在功能磁共振影像上的表现更好,需要选择的额外的超参数少,同时本身适用于多分类的情况,也能很方便的与特征降维进行结合,适用于本场景特征比较冗长的情况。
小型医院和研究机构难以收集足够的样本进行构建准确的分类模型,这是许多小型医院和研究机构经常遇到的困境。而由于医学领域中不同数据集存在被试年龄、采集设备和采集参数不同,无法直接将数据集简单累加而形成的一个大数据集。本发明所提出的方法使用数据空间变换方法,利用公共大数据集来辅助训练,扩大训练数据集,提高分类精度;同时,本发明所提出的数据空间变换对齐方法与其他迁移学习方法(如基于特征增强的方法,基于特征变换的方法,基于字典的方法以及深度学习方法)相比,是一种相对简单的算法,只要将其他数据集映射到同一子空间,即可以方便地适用于多个不同数据集的情况,在基于fMRI的AD辅助诊断中,本发明方法对于小样本集数据取得了良好的表现,展示了其简单的形式和未来广泛的应用扩展性。
图1为本发明的基于数据空间变换的阿尔兹海默症检测方法的流程图,其中设fMRI数据集I为小数据集,数据集II为大数据集,整个流程对应上述4个步骤具体如下:
1)对所有数据集脑部fMRI数据进行建模,从数据模型中提取特征。具体地,给定数据集I和II的fMRI影像,使用AAL模板(一种大脑区域划分模板)抽取出各脑区时间序列,然后对同一大脑影像中的各区域时间序列,两两计算相关系数,建立脑区之间的脑功能连接网络,最后将脑功能连接网络转化为邻接矩阵作为初始特征;
2)对上一步提取的特征进行特征选择。选择特征的计算步骤只使用大数据集II的数据,之后再将选择结果应用于小数据集I。具体地,采用过滤选择的方式,即在数据集II上对初始特征同一位置的所有样本数据进行分析,决定是否保留该位置特征,评价标准为肯德尔相关系数;取肯德尔相关系数绝对值最大的前D个位置的特征作为选择的特征,最后将特征选择的结果应用于数据集I;
3)使用数据空间变换方法将所有数据集选择后的特征数据映射到同一子空间中:具体地,给定两个数据集I和II,I为包含m个样本的数据集DS,II为包含n个样本的数据集DT,[x1,…,xm]=XS∈DS和[x1,…,xn]=XT∈DT,数据变换方法将各个数据集数据映射到子空间并学习转移矩阵M,使其中一个子空间与另一个子空间对齐,数据在其中分布一致。假设样本的特征维数为dm,首先利用奇异值分解(Singular Value Decomposition,SVD)分解得到数据集II的子空间和数据集I的子空间每个数据集子空间存在d个特征向量。然后,通过适当地乘以或将每个数据点投影到其各自的子空间中。将特征向量从一个数据集子空间映射到另一个数据集子空间的函数通过最小化以下布雷格曼(Bregman)矩阵散度来学习:
M*=arg minM(F(M)) (2)
其中是弗罗贝尼乌斯(Frobenius)范数。为了得到最佳的M*,等式(1)可以被重写如下:
在这个等式中,可以得到最优的M*即为M*=V′SVT。当特征向量被映射变换后,所有的数据在同一个子空间Vs中分布一致。最后,子空间Vs中的所有投影特征向量可以用于训练和预测。使用数据空间变换方法,性能仅与超参数d有关。参数d对应于子空间的维度,具有小于样本数量或特征维度dm的限制。根据不同数据集相似度函数的一致性定理,可以用理论结果确定d的上界。给定一个固定偏差γ>0,由不等式可以得到可行d的子集d∈{d|1,…,dmax}。这意味着只要选择满足条件d≤dmax的子空间维度d,则得到的映射过程是稳定且不过拟合的;
4)在该子空间中使用这些数据交叉验证训练机器学习分类模型,调整参数,得到最优的CAD模型:在同一子空间Vs中的数据经过标准化后,可用于训练分类器。在该步骤中,使用的训练分类器线性判别分析(Linear discriminant analysis,LDA)分类器有时也被称为费舍判别式,由费舍所提出;以及使用十折交叉验证来确定线性判别分析分类器最优的超参数以及最优的子空间维度d,从而得到最优的CAD模型。
图2为本发明所使用的两个不同数据集的特性分布图。其中一个数据集为国外公共大数据集,简称ADNI,另一份数据来自于医院,简称为某医院。来不一致的。图1展示了两个数据集中所有样本简短智能测验(MMSE)得分和年龄的概率自不同数据集的数据分布。这些分布是使用核密度估计进行估计的。从图中可以看出,来自不同数据集的数据其采集条件和样本分布是不一致的,由于这种不一致使得我们不能简单的将两个数据集中的数据直接混合增加训练样本。图3为使用本发明的基于数据空间变换方法前后的特征数据分布示意图。该图使用t分布随机邻域嵌入(t-SNE)方法来减少特征维数并实现高维数据的可视化,可以看出不同数据集数据在特征空间中呈现不同的样本分布。样本特征分布的一致性对于在模式识别中实现良好的分类性能至关重要。因此,使用来自多个来源的fMRI数据进行CAD需要消除不同数据集中样本分布的不一致性。在将小样本集数据映射到到大数据集子空间后,两个数据集的样本分布在二维可视化特征空间中变得一致,即来自某医院数据集的数据不再分布于ADNI数据点的边缘,而是变换成与ADNI数据集数据相一致的分布。
图4为本发明的基于数据空间变换的阿尔兹海默症检测方法的最终分类结果对比折线图。本发明进行了以下几组AD分类实验:(i)仅医院数据:只在本地医院数据集上进行分类任务。在此任务中,对每个医院数据集样本进行了留一交叉验证策略;(ii)简单组合:将ADNI数据集添加到实验(i)中的训练集中,并且使用医院数据集中的剩余一个样本进行测试;(iii)空间变换:即如图1所示的实验。首先,在ADNI数据集(数据集I)中进行特征选择,获得特征子集,然后对医院数据集(数据集II)的每个样本选择相同的特征子集。之后,将医院数据投影到其子空间并映射到ADNI数据的子空间,同时ADNI数据被投影到它自己的子空间中。至此,ADNI数据和医院数据在同一个子空间中对齐。最后,将ADNI子空间中的所有ADNI样本加上医院样本的训练集用于训练判别分析分类器,剩下的一个用于测试。最后一步与实验(ii)类似,不同之处在于(iii)中的数据是在经过数据空间变换之后再进行训练及测试;(iv)对比实验:基于数据出现概率重加权的迁移学习方法,该方法为其它研究者所提出的一种解决相关问题的方法,作为基准对比。
结果表明,如图4中所示,使用本发明的阿尔兹海默症检测方法将医院数据集映射到ADNI数据集子空间使得分类结果取得了显著的提升。准确率比使用两数据集样本简单组合的准确率高出近20%,比仅使用小数据集的准确率高出大约30%。该数据变换方法减少了来自不同数据源的样本特征空间之间的差异,并且在样本集大小受到极端限制时有效地提高了分类准确性。本研究为小型医院和研究机构开发神经疾病CAD系统提供了一种有效的新方法。
以上应用了具体实施例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。
Claims (7)
1.一种基于数据空间变换的阿尔兹海默症检测方法,其特征在于,包括以下步骤:
步骤1:对所有数据集脑部功能磁共振成像(fMRI)数据进行建模,从数据模型中提取特征;
步骤2:对上一步提取的特征进行特征选择;
步骤3:使用数据空间变换方法将所有数据集选择后的特征数据映射到同一子空间中;
步骤4:在所述子空间中使用这些数据交叉验证训练机器学习分类模型,调整参数,得到最优的计算机辅助诊断(CAD)模型。
2.根据权利要求1所述的基于数据空间变换的阿尔兹海默症检测方法,其中,所述步骤1具体包括:对于给定数据集I和II,使用大脑区域划分模板抽取出各脑区时间序列,然后对同一大脑影像中的各区域时间序列,两两计算相关系数,建立脑区之间的脑功能连接网络,最后将脑功能连接网络转化为邻接矩阵作为初始特征。
3.根据权利要求1所述的基于数据空间变换的阿尔兹海默症检测方法,其中,所述步骤2具体包括:对于给定数据集I和II,采用过滤选择的方式,在所述数据集II上对初始特征同一位置的所有样本数据进行分析,决定是否保留该位置特征,评价标准为肯德尔相关系数;取肯德尔相关系数绝对值最大的前D个位置的特征作为选择的特征,最后将特征选择的结果应用于数据集I。
4.根据权利要求1所述的基于数据空间变换的阿尔兹海默症检测方法,其中,在步骤3中,给定两个数据集I和II,I为包含m个样本的数据集DS,II为包含n个样本的数据集DT,[x1,…,xm]=XS∈DS和[x1,…,xn]=XT∈DT,数据变换方法将各个数据集数据映射到子空间并学习转移矩阵M,使其中一个子空间与另一个子空间对齐,数据在其中分布一致。
5.根据权利要求4所述的基于数据空间变换的阿尔兹海默症检测方法,其中,在步骤3中,假设样本的特征维数为dm,首先利用奇异值分解(SVD)分解得到数据集II的子空间和数据集I的子空间每个数据集子空间存在d个特征向量;然后,通过适当地乘以或将每个数据点投影到其各自的子空间中;将特征向量从一个数据集子空间映射到另一个数据集子空间的函数通过最小化以下布雷格曼矩阵散度来学习:
M*=arg minM(F(M)) (2)
其中是弗罗贝尼乌斯(Frobenius)范数,为了得到最佳的M*,式(1)被重写如下:
在这个等式中,我们可以得到最优的M*即为M*=V′SVT,当特征向量被映射变换后,所有的数据在同一个子空间Vs中分布一致,最后,子空间Vs中的所有投影特征向量可以用于训练和预测。
6.根据权利要求1所述的基于数据空间变换的阿尔兹海默症检测方法,其中,在同一子空间Vs中的数据经过标准化后,用于线性判别分析分类器,以及使用十折交叉验证来确定线性判别分析分类器最优的超参数以及最优的子空间维度(d),从而得到最优的计算机辅助诊断(CAD)模型。
7.一种基于数据空间变换的阿尔兹海默症检测系统,其特征在于,包括:
特征提取及选择模块,用于对所有数据集脑部功能磁共振成像(fMRI)数据进行建模,从数据模型中提取特征,以及对提取的特征进行特征选择;以及
数据空间变换方法模块,用于将所有数据集选择后的特征数据映射到同一子空间中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910836855.0A CN110534195B (zh) | 2019-09-05 | 2019-09-05 | 一种基于数据空间变换的阿尔兹海默症检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910836855.0A CN110534195B (zh) | 2019-09-05 | 2019-09-05 | 一种基于数据空间变换的阿尔兹海默症检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110534195A true CN110534195A (zh) | 2019-12-03 |
CN110534195B CN110534195B (zh) | 2022-11-08 |
Family
ID=68666881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910836855.0A Active CN110534195B (zh) | 2019-09-05 | 2019-09-05 | 一种基于数据空间变换的阿尔兹海默症检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110534195B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111466876A (zh) * | 2020-03-24 | 2020-07-31 | 山东大学 | 一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统 |
CN112908466A (zh) * | 2021-01-13 | 2021-06-04 | 中国科学院计算技术研究所 | 基于迁移学习的阿尔兹海默病智能决策支持方法及系统 |
CN113221952A (zh) * | 2021-04-13 | 2021-08-06 | 山东师范大学 | 多中心大脑弥散张量成像图分类方法及系统 |
WO2022040874A1 (zh) * | 2020-08-24 | 2022-03-03 | 中国科学院重庆绿色智能技术研究院 | 一种阿尔兹海默症进展预测的核磁共振图像特征提取方法 |
WO2022117014A1 (en) * | 2020-12-03 | 2022-06-09 | Huawei Technologies Co., Ltd. | System, method and apparatus for training a machine learning model |
CN115064263A (zh) * | 2022-06-08 | 2022-09-16 | 华侨大学 | 一种基于随机森林剪枝脑区选择的阿尔兹海默症预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005078638A2 (en) * | 2004-02-06 | 2005-08-25 | Siemens Medical Solutions Usa, Inc. | A system and method for a sparse kernel expansion for a bayes classifier |
CN105708462A (zh) * | 2016-01-14 | 2016-06-29 | 内蒙古医科大学附属医院 | 基于原发性癫痫的静息态功能磁共振的数据处理方法 |
CN108492873A (zh) * | 2018-03-13 | 2018-09-04 | 山东大学 | 一种用于辅助诊断阿兹海默症的知识迁移学习方法 |
-
2019
- 2019-09-05 CN CN201910836855.0A patent/CN110534195B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005078638A2 (en) * | 2004-02-06 | 2005-08-25 | Siemens Medical Solutions Usa, Inc. | A system and method for a sparse kernel expansion for a bayes classifier |
CN105708462A (zh) * | 2016-01-14 | 2016-06-29 | 内蒙古医科大学附属医院 | 基于原发性癫痫的静息态功能磁共振的数据处理方法 |
CN108492873A (zh) * | 2018-03-13 | 2018-09-04 | 山东大学 | 一种用于辅助诊断阿兹海默症的知识迁移学习方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111466876A (zh) * | 2020-03-24 | 2020-07-31 | 山东大学 | 一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统 |
CN111466876B (zh) * | 2020-03-24 | 2021-08-03 | 山东大学 | 一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统 |
WO2022040874A1 (zh) * | 2020-08-24 | 2022-03-03 | 中国科学院重庆绿色智能技术研究院 | 一种阿尔兹海默症进展预测的核磁共振图像特征提取方法 |
WO2022117014A1 (en) * | 2020-12-03 | 2022-06-09 | Huawei Technologies Co., Ltd. | System, method and apparatus for training a machine learning model |
US11887356B2 (en) | 2020-12-03 | 2024-01-30 | Huawei Technologies Co., Ltd. | System, method and apparatus for training a machine learning model |
CN112908466A (zh) * | 2021-01-13 | 2021-06-04 | 中国科学院计算技术研究所 | 基于迁移学习的阿尔兹海默病智能决策支持方法及系统 |
CN112908466B (zh) * | 2021-01-13 | 2023-08-04 | 中国科学院计算技术研究所 | 基于迁移学习的阿尔兹海默病智能决策支持方法及系统 |
CN113221952A (zh) * | 2021-04-13 | 2021-08-06 | 山东师范大学 | 多中心大脑弥散张量成像图分类方法及系统 |
CN113221952B (zh) * | 2021-04-13 | 2023-09-15 | 山东师范大学 | 多中心大脑弥散张量成像图分类方法及系统 |
CN115064263A (zh) * | 2022-06-08 | 2022-09-16 | 华侨大学 | 一种基于随机森林剪枝脑区选择的阿尔兹海默症预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110534195B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110534195A (zh) | 一种基于数据空间变换的阿尔兹海默症检测方法 | |
Liu et al. | Locally linear embedding (LLE) for MRI based Alzheimer's disease classification | |
Cuingnet et al. | Spatial and anatomical regularization of SVM: a general framework for neuroimaging data | |
CN104715260B (zh) | 基于rls-elm的多模态融合图像分类方法 | |
Hu et al. | Gait-based gender classification using mixed conditional random field | |
CN103440513B (zh) | 基于稀疏非负张量分解的大脑特定视觉认知状态判定方法 | |
Kong et al. | Brain network analysis: a data mining perspective | |
Liu et al. | Voxelhop: Successive subspace learning for als disease classification using structural mri | |
Padma Nanthagopal et al. | Classification of benign and malignant brain tumor CT images using wavelet texture parameters and neural network classifier | |
Zaki et al. | Using automated walking gait analysis for the identification of pedestrian attributes | |
Jha et al. | Alzheimer’s disease detection using sparse autoencoder, scale conjugate gradient and softmax output layer with fine tuning | |
Jun et al. | Modeling regional dynamics in low-frequency fluctuation and its application to autism spectrum disorder diagnosis | |
Couronne et al. | Learning disease progression models with longitudinal data and missing values | |
Huang et al. | Probabilistic event cascades for Alzheimer's disease | |
Thomaz et al. | Using a maximum uncertainty LDA-based approach to classify and analyse MR brain images | |
Meng et al. | Research on early diagnosis of Alzheimer's disease based on dual fusion cluster graph convolutional network | |
Nayak et al. | Least squares SVM approach for abnormal brain detection in MRI using multiresolution analysis | |
Wolz et al. | Manifold learning combining imaging with non-imaging information | |
Ade et al. | Heart disease prediction system using svm and naive bayes | |
Sannasi Chakravarthy et al. | Performance analysis of ensemble classifiers and a two-level classifier in the classification of severity in digital mammograms | |
Savio et al. | Deformation based features for Alzheimer’s disease detection with linear SVM | |
Trosset et al. | Semisupervised learning from dissimilarity data | |
Joshi et al. | Anatomical parts-based regression using non-negative matrix factorization | |
Kontos et al. | Extraction of discriminative functional MRI activation patterns and an application to Alzheimer’s disease | |
Sani et al. | Evaluation of face recognition system using Support Vector Machine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |