KR20170140127A - Kpca, lda, 및 다중커널학습 svm을 이용한 뇌 이미지 분석방법 - Google Patents

Kpca, lda, 및 다중커널학습 svm을 이용한 뇌 이미지 분석방법 Download PDF

Info

Publication number
KR20170140127A
KR20170140127A KR1020170158239A KR20170158239A KR20170140127A KR 20170140127 A KR20170140127 A KR 20170140127A KR 1020170158239 A KR1020170158239 A KR 1020170158239A KR 20170158239 A KR20170158239 A KR 20170158239A KR 20170140127 A KR20170140127 A KR 20170140127A
Authority
KR
South Korea
Prior art keywords
kernel
brain
lda
kpca
sen
Prior art date
Application number
KR1020170158239A
Other languages
English (en)
Inventor
권구락
Original Assignee
조선대학교산학협력단
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 조선대학교산학협력단 filed Critical 조선대학교산학협력단
Priority to KR1020170158239A priority Critical patent/KR20170140127A/ko
Publication of KR20170140127A publication Critical patent/KR20170140127A/ko

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

본 발명은 커널주성분분석 (KPCA), 선형판별분석 (Linear Discriminant Analysis; LDA) 및 다중커널러닝SVM을 순차적으로 수행하여, 정상대조군으로부터 치매 및 경도인지장애를 판별하는 방법에 관한 것이다. 보다 구체적으로, 본 발명의 방법은 커널공간에서 차원성을 현저히 감소시키는 커널PCA를 포함하고, 커널PCA계수는 효율적인 분리를 위해 LDA계수로 투영된다. 다음, 판별 LDA계수들이 검출을 위한 트레이닝과 테스트를 위해 다중커널SVM에 제공된다.

Description

KPCA, LDA, 및 다중커널학습 SVM을 이용한 뇌 이미지 분석방법 {A method for analyzing brain image using KPCA, LDA and Multi-kernel learning SVM}
본 발명은 뇌이미지를 촬영하고 이를 효율적으로 분석하는 방법에 관한 것이다.
알츠하이머병 (AD, Alzheimer Disease)는 주로 노인들에게 나타나는 가장 흔한 유형의 치매를 초래한다. 신경퇴행성 질환인 AD는 뇌세포에 손상을 유발하고, 인지장애, 행동 딜레마, 및 기억 혼란을 유도한다. 통계에 따르면 2030년에는 현재 전세계 치매환자 수보다 3배 많은 135만명 이상의 사람들이 치매에 걸릴 것으로 예상된다. 알츠하이머 환자를 진단하는 비용은 전세계적으로 매년 220억 달러에서 605억 달러로 추정되고 있다.
알츠하이머를 진단하는 방법으로서 종래의 비침습적 진단 방법은 기본적으로 환자병력, 임상관찰 및 인지평가에 의존한다. 최근 몇몇 연구자들이 알츠하이머 질환, 경도인지장애 (MCI)의 조기진단을 위해 여러 바이오마커들의 민감도를 발표한 바 있다 (Ye, et al, 2002). 또한 바이오마커, 구조자기공명이미징 (sMRI)이 AD와 관련된 비정상적인 체적변화 검출을 위한 뇌위축평가를 위해 이용될 수 있다. 기능적이미징 (예를 들어, FDG-PET)은 신진대사저하 (hypo metabolism)의 정량화를 제공하고, 뇌척수액 (CSF)은 단백질 변화에 관한 정보를 제공한다 (Fjell et al, 2010). 뇌위축은 해마, 내후각피질 (entorhinal cortex), 및 편도체 (amygdyla)에 관한 정보를 제공한다. 내후각피질 및 해마에서의 뇌위축은 아밀로이드β-42 단백질로 구성된 노인성플라크 (senile plaque)에 의해 유발된다. 타우 단백질로 구성된 신경섬유다발이 또한 해마에서의 위축을 일으킨다. 이것은 AD의 발병을 제어하는 데 도움이 될 수 있기 때문에 AD 또는 MCI의 조기진단은 AD의 진행 조절에 필수적이다.
추핀 등 (Chupin et al, 2009)은 몇몇 뇌 관심영역 (Regions of Interest, ROIs), 특히 해마 및 내후각피질에서의 현저한 뇌위축을 연구하였다. 카사노바 등 (Casanova et al, 2011)은, 이미징바이오마커 (예를 들어, sMRI)가, 자동화된 AD 분류를 위한 대단위조정화 (large scale regularization)에 기초한 상이한 패턴분류법을 사용하는 인지평가보다 더 민감도가 높고 신뢰성이 있다고 보고하였다. 장 등은 AD 분류를 위해, 다양한 바이오마커 예컨데, sMRI, PET 및 CSF 등을 이용하고, 이들을 결합하여 다중커널 서포트벡터머신을 적용하며, 이를 단일커널 러닝을 지닌 단일바이오마커와 비교하였다 (zhang et al, 2010). 이러한 다중모드접근법 (multimodal approach)에 의해, 건강한 대조군 (HC)로부터 AD는 93.2%, 및 HC로부터 MCI는 76.4%의 정확도로 AD에 대한 분류를 이뤄낸 바 있다. 최선의 개별적인 바이오마커 (PET)의 경우, AD 대 NC 분류 정확도는 86.6%이고, HC 대 MCI 분류 정확도는 72%이다.
PET (positron emission tomography) 및 SPECT (single photon emission computed tomography) 이미징을 바이오마커로서 사용하고 건강한 대조군으로부터 AD 환자를 진단하는 CAD툴이 패딜라 등에 의해 고안되었으며 (Padilla et al, 2012), NMF 및 SVM 분류기를 사용하여 높은 민감도 및 특이도 (90% 이상)의 91% 정확도를 제공하였다. 457개 이미지를 지닌 전체 OASIS데이터세트의 CDR (Clinical Dementia Rating) 스케일을 분류하기 위한 자동검출툴이 개발되었고, 이는 PCA 및 인공신경망을 사용하며 89.92%의 정확도를 제공하였다 (Mahmood et al, 2013). 양가 등이, 바이오마커로서 OASIS로부터의 뇌회백질이미지와 전체 뇌MRI이미지를 이용하는 독립성분분석을 이용하여 HC로부터 AD 환자를 계층화 하였다 (Yanga et al, 2011). OASIS데이터세트로부터의 회백질이미지를 이용한 경우 73.7±4.5% 정확도, ADNI로부터의 회백질이미지를 이용한 경우 71.1±4.5%의 정확도를 얻었다. 양 등이 SOM 및 PSO-SVM를 적용하여 AD 및 MCI 피험자의 진단을 연구하였으며, 88.89%의 판별정확도를 제공하였다 (Yang et al, 2013).
단일변수 및 다중변수 통계 머신러닝법이 AD 및 MCI의 진단에 일반적으로 사용된다. 가장 널리 사용되는 다중변수분석법으로서 선형적방법인 PCA분석법 (Enderson et al, 1999)은, 고차원에서 저차원으로 이미지특징의 차원수를 감소시켰다. PCA (Principal component analysis)는 커널공간에 사용될 수 있다. 커널 PCA (Scholkopf et al, 1998)는 몇몇 비선형 맵핑방법을 이용하여 고차원 이미지특징을 커널공간으로 투영 (projection)하고, 선형 PCA를 수행하여 차원수를 감소시킨다. 이와 같이, 다양한 방법이 알츠하이머 치매의 과정을 진단하기 위해 이용되고 있으나, 보다 더 높은 민감도 및 특이도를 제공하는 진단방법에 대한 필요성은 여전히 제기되고 있는 실정이다.
이에 본 발명자들은 먼저 피셔 등 (Fisher et al., 1936)에 의한 LDA (Linear Discriminate Analysis)를 사용하여 커널 PCA 계수를 새로운 차원수 공간에 투영한 후, 새롭게 투영된 특징을 후속하는 분류에 이용하였다. 다중커널러닝 (Gonen et al, 2011)은 서포트벡터머신 분류기 트레이닝 및 테스팅을 위해 사용된다. 이미징특징이 다른 효과적인 커널맵핑방법에 의해 커널 공간에 비선형으로 맵핑된 다음, SVM이 커널 맵핑된 특징의 모든 세트를 효과적으로 사용함에 의해 러닝된다.
A.H. Andersen, D.M. Gash, M.J. Avison, Principal component analysis of the dynamic response measured by fMRI: a generalized linear systems framework, Journal of Magnetic Resonance Imaging 17 (1999) 795-815. Y. Ad-Dab'bagh, D. Einarson, O. Lyttelton, J-S. Muehlboeck, K. Mok , O. Ivanov, R.D. Vincent, C. Lepage, J. Lerch, E. Fombonne, A.C. Evans, The CIVET image-processing environment: A fully automated comprehensive pipeline for anatomical neuroimaging research, Proceedings of the 12th Annual Meeting of the Organization for Human Brain Mapping, 2006. Y. Ad-Dab'bagh, V. Singh, S. Robbins, J. Lerch, O. Lyttelton, E. Fombonne, and A.C. Evans, Native space cortical thickness measurement and the absence of correlation to cerebral volume, Proceedings of the 11th Annual Meeting of the Organization for Human Brain Mapping, 2005. F.R. Bach, G.R.G. Lanckriet, M.I. Jordan, Multiple kernel learning, conic duality, and the SMO algorithm, Proceedings of 21st International Conference of Machine Learning, 2004. M. Boucher, S. Whitesides, and A. Evans, Depth potential function for folding pattern representation, registration and analysis, Medical Image Analysis 13 (2009), 203-214. R. Casanova, C. T. Whitlow, B. Wagner, J. Williamson, S. A. Shumaker, J. A. Maldjian, and M. A. Espeland, High dimensional classification of structural MRI Alzheimer's disease data based on large scale regularization, Frontiers of Neuroscience in Neuroinformatics, 2011. C. Chang and C.-J. Lin, LIBSVM: a library for support vector machines, 2001. M. Chupin, E. Gerardin, R. Cuingnet, C. Boutet, L. Lemieux, S. Lehericy, H. Benali, L. Garnero, and O. Colliot, Fully automatic hippocampus segmentation and classification in Alzheimer's disease and mild cognitive impairment applied on data from ADNI, Hippocampus 19 (2009), 579-587. D. L. Collins, P. Neelin, T. M. Peters, and A. C. Evans, Automatic 3D Inter-Subject Registration of MR Volumetric Data in Standardized Talairach Space, Journal of Computer Assisted Tomography 18 (1994), 192-205. D.L. Collins, A.P. Zijdenbos, W.F.C Baare, A.C. Evans, ANIMAL+ INSECT: Improved Cortical Structure Segmentation, Information Processing in Medical Imaging, Lecture Notes in Computer Science Volume 1613 (1999), 210-223. R.S. Desikan, F. Segonne, B. Fischl, B.T. Quinn, B.C. Dickerson, D. Blacker, R.L. Buckner, A.M. Dale, R.P. Maguire, B.T. Hyman, M.S. Albert, R.J. Killiany, An automated labeling system for subdividing the human cerebral cortex on MRI scans into gyral based regions of interest, NeuroImage 31 (2006), 968-980. A.C. Evans, R.C. McKinstry, C.R. Almli, and D.L.Collins, Unbiased nonlinear average age-appropriate brain templates from birth to adulthood, NeuroImage 47 (2009), S102. B. Fischl, FreeSurfer, NeuroImage 62 (2012), 774-781. R.A. Fisher, The use of multiple measurements in taxonomic problems, Annals of Eugenics 7 (1936), 179-188. A.M. Fjell, K.B. Walhovd, C. Fennema-Notestine, L.K. McEvoy, D. J. Hagler, D. Holland, J. B. Brewer, A. M. Dale, and for the Alzheimer's Disease Neuroimaging Initiative, CSF biomarkers in prediction of cerebral and clinical change in Mild Cognitive Impairment and Alzheimer's disease, Journal of Neuroscience, 2010. M. Gonen, E. Alpaydin, Multiple Kernel Learning Algorithms, Journal of Machine Learning Research 12 (2011), 2211-2268. M. Grant and S. Boyd, CVX: Matlab software for disciplined convex programming, version 2.0 beta, 2013. M. Grant and S. Boyd, "Graph implementations for nonsmooth convex programs," Recent Advances in Learning and Control: Lecture Notes in Control and Information Sciences, V. Blondel, S. Boyd, and H. Kimura (Editors), Springer, 2008, pp. 95-110. J.S.Kim, V. Singh, J.K. Lee, J. Lerch, Y. Ad-Dab'bagh, D. MacDonald, J.M. Lee, S.I. Kim and A.C. Evans, Automated 3-D extraction and evaluation of the inner and outer cortical surfaces using a Laplacian map and partial volume effect classification, NeuroImage 27 (2005), 210-221. A. Klein and J. Tourville, 101 Labeled Brain Images and a Consistent Human Cortical Labeling Protocol, Front. Neurosic. 6 (2012). GRG. Lanckriet, T. De Bie, N. Cristianini, MI. Jordan, WS. Noble, A statistical framework for genomic data fusion, Bioinformatics 20 (2004), 2626-2635. G.R.G. Lanckriet, N. Cristianini, P. Bartlett, LE. Ghaoui, MI. Jordan, Learning the Kernel Matrix with Semidefinite Programming, Journal of Machine Learning Research 5 (2005), 27-72. J.P. Lerch and A.C. Evans, Cortical thickness analysis examined through power analysis and a population simulation, NeuroImage 24 (2005), 163-173. O. Lyttelton, M. Boucher, S. Robbins, and A. Evans, An unbiased iterative group registration template for cortical surface analysis, NeuroImage 34 (2007), 1535-1544. D. MacDonald, N. Kabani, D. Avis, and A.C. Evans, Automated 3-D Extraction of Inner and Outer Surfaces of Cerebral Cortex from MRI, NeuroImage 12(2000), 340-356. R. Mahmood and B. Ghimire, Automatic detection and classification of Alzheimer's Disease from MRI scans using principal component analysis and artificial neural networks, Systems, Signals and Image Processing (IWSSIP), 20th IEEE International Conference, 2013, pp.133 - 137. J. Mazziotta, A. Toga, A. Evans, P. Fox, J. Lancaster, K. Zilles, R. Woods, T. Paus, G. Simpson, B. Pike, C. Holmes, L. Collins, P. Thompson, D. MacDonald, M. Iacoboni, T. Schormann, K. Amunts, N. Palomero-Gallagher, S. Geyer, L. Parsons, K. Narr, N. Kabani, G. Le Goualher, D. Boomsma, T. Cannon, R. Kawashima, and B. Mazoyer, A probabilistic atlas and reference system for the human brain: International Consortium for Brain Mapping (ICBM), Philos Trans R Soc Lond B Biol Sci, 356 (2001), 1293-322. P. Padilla, M. Lopez, M. Gorriz , J. Ramirez, D. Salas-Gonzalez, and I. Alvarez, NMF-SVM Based CAD Tool Applied to Functional Brain Images for the Diagnosis of Alzheimer's Disease, IEEE Transactions on Medical Imaging, 31 (2012), 207-216. S.M. Robbins, Anatomical Standardization of the Human Brain in Euclidean 3-Space and on the Cortical 2-Manifold, Ph.D. Thesis, School of Computer Science, McGill University, Montreal, 2004. B. Schoelkopf, A. Smola, K.-R. Muller, Non-linear component analysis as a kernel eigenvalue problem, Neural Computation 10 (1998), 1299-1319. D. Schmitter, A. Roche, B. Marechal, D. Ribes, A. Abdulkadir, M. Bach-Cuadra, A. Daducci, C. Granziera, S. Kloeppel, P. Maeder, R. Meuli, G. Krueger, for the Alzheimer's Disease Neuroimaging Initiative, An evaluation of volume-based morphometry for prediction of mild cognitive impairment and Alzheimer's disease, NeuroImage: Clinical 7 (2015), 7-17. J.G. Sled, A.P. Zijdenbos , and A.C. Evans, A non-parametric method for automatic correction of intensity non-uniformity in MRI data, IEEE Transactions on Medical Imaging 17 (1998), 87-97. S.M. Smith, Fast robust automated brain extraction, Human Brain Mapping 17 (2002), 143-155. 35. J. Tohka, A. Zijdenbos, and A. Evans, Fast and robust parameter estimation for statistical partial volume models in brain MRI, NeuroImage 23 (2004), 84-97. W. Yanga, R. L. M. Lui, J.-H. Gao, T. F. Chan, S.-T. Yau, R.A. Sperling, and X. Huang , Independent Component Analysis-Based Classification of Alzheimer's Disease MRI Data, Journal of Alzheimer's Disease 24 (2011), 775-783. S.-T. Yang, J.-D. Lee, T.-C. Chang, C.-H. Huang, J.-J. Wang, W.-C. Hsu, H.-L. Chan, Y.-Y. Wai, and K.-Y. Li, Discrimination between Alzheimer's Disease and Mild Cognitive Impairment Using SOM and PSO-SVM, Computational and Mathematical Methods in Medicine, 2013, pp. 1-11. J. Ye, T. Wu, J. Li, and K. Chen, Machine learning approaches for the neuroimaging study of Alzheimer's disease, IEEE Computer, 2011. D. Zhang, Y. Wang, L. Zhou, H. Yuan, D. Shen, and the Alzheimer's Disease Neuroimaging Initiative, Multimodal classification of Alzheimer's disease and mild cognitive impairment, Neuroimage, 55 (2011), 856-867. 40. A. Zijdenbos, R. Forghani, and A. Evans, "Automatic quantification of MS lesions in 3D MRI brain data sets: validation of INSECT", Medical image computing and computer-assisted intervention, Proceedings lecture notes in computer science, W.M. Wells, A. Colchester, and S. Delp (Editors), Springer-Verlag, Telos, Cambridge, MA, 1998, pp. 439-448.
이와 같이, 본 발명은 뇌 MR 이미지를 효율적으로 처리하는 방법을 제공하는 것을 목적으로 한다. 또한, 본 발명은 정상대조군 (HC)과 AD, 및 정상대조군 (HC)과 MCI를 판별하기 위한 진단방법을 제공하는 것을 목적으로 한다. 알츠하이머질환 (AD) 및 경도인지장애 (MCI)의 조기진단은 매우 중요하며, 예방적 수단이 AD 위험요인을 제거하는데 영향을 줄 수 있다.
상기 과제를 해결하기 위해, 본 발명은 커널주성분분석 (KPCA), 선형판별분석 (Linear Discriminant Analysis; LDA) 및 다중커널러닝SVM을 순차적으로 수행한다. 보다 구체적으로, 본 발명의 방법은 커널공간에서 차원성을 현저히 감소시키는 커널PCA를 포함하고, 커널PCA계수는 효율적인 분리를 위해 LDA계수로 투영된다. 다음, 판별 LDA계수들이 검출을 위한 트레이닝과 테스트를 위해 다중커널SVM에 제공된다.
일 구현예에서, 본 발명의 방법은 건강한 대조군 HC에서 AD를 판별하는 데 있어, MMSE (Mini-Mental State Exam) (인지기능평가) 스코어를 포함한다. 구체적으로, 추출된 특징을 MMSE (Mini-mental State Examination) 스코어와 통합하고, 2개의 샘플 t-테스트에 적용하여 하위특징을 선택하는 것을 포함한다. 다음, 상기 선별된 하위특징은 커널주성분분석 (Kernel Principal Component Analysis) (KPCA)에 제공되고, 데이터를 고차원 커널공간에서 감소된 주성분계수로 투영함에 의해 선형분별력을 높일 수 있다. 다음, 커널 PCA계수는 선형판별분석법 (LDA)을 이용하여 보다 더 효율적인 선형판별공간으로 투영된다. 다중커널러닝SVM이 새롭게 투영된 데이터상에 적용되어, HC로부터 AD 및 MCI를 계층분류할 수 있다. MMSE스코어를 포함하는 경우와 포함하지 않는 경우, 각각 93.10% 및 84.73%의 검출 정확도가 제시되었다. 이는 2015년 쉬미터 등에 의해 달성된 이진 다중변수체적분류 정확도 (85%)보다 우수한 결과이다. HC에서 MCI를 검출하는데 있어서, MMSE스코어를 포함하지 않는 경우와 포함하는 경우, 검출 정확도는 각각 76.81% 및 85.10%였다. 이러한 결과 또한 2015년 쉬미터 등이 HC에서 MCI를 판별함에 있어 체적특징으로 얻어낸 결과보다 우수한 것이다.
다른 일구현예에서, 뇌위축에 대해 민감도가 있는 바이오마커 중 하나인 구조 MRI이미징을 FreeSurfer 및 CIVET툴박스에 체적특징을 추출하는데 이용하였다. 본 발명에서 사용된 모든 sMRI는 ADNI데이터베이스 (adni.loni.usc.edu) 이미징 데이터로부터 다운로드 받았다.
다른 일구현예에서, 본 발명자들은 HC로부터 AD를 구분체적특징에 대해 93.10% 분류정확도 (FreeSurfer), 및 부위평균체적특징에 대해 82% 정확도를 (Automatic Anatomical Label parcellation, CIVET toolbox), 높은 민감도 및 특이도로 수득할 수 있다.
다른 일구현예에서, 본 발명의 방법은 HC로부터 MCI를 판별함에 있어, 피질두께분획화 (Destrieux atlas, FreeSurfer) 특징에 대해 85.10%의 검출율을 제공한다.
다른 일구현예에서, 본 발명은 모든 구조MR이미지를 처리하고 Freesurfer 및 CIVET툴박스로 특징을 추출하였다. 상기 추출된 특징은 차원감소를 위해 MMSE스코어와 함께 2개의 샘플 t-test, 커널PCA 및 LDA에 순차적으로 적용된 후, 다중커널SVM에 제공된다.
본 발명의 방법에 따르면, 정상인으로부터 알츠하이머성 치매 환자 및 경도인지장애를 매우 효율적으로 판별할 수 있다. 경도인지장애를 조기에 진단 또는 판별함에 의해, 알츠하이머성 치매의 진행을 효과적으로 방지할 수 있다.
1. 실험 데이터의 개요
본 발명에서 데이터는 알츠하이머 질환 신경영상이니셔티브 (ADNI) 데이터베이스 (adni.,loni.use.edu)로부터 수득하였다. ADNI는 Michel. W. Weiner,에 의해 공공-민간 파트너십으로 2003년에 설립되었다. ADNI의 주요 목적은 경도인지장애 (MCI)와 초기 알츠하이머 (AD) 진행을 진단하기 위해, 일련의 MRI, PET, 다른 생물학적마커, 및 임상 및 신경 심리학적평가가 결합될 수 있는 지 여부를 테스트하는 것이다. 상기 데이터의 최신 정보는 www.adni-info.org 에서 확인 할 수 있다. 본 발명에서 사용된 모든 MR이미징 세부정보를 하기 표 1에 나타내었다.
AD Normal MCI
환자 수 89
남성-43, 여성-46		 102
남성-54 여성-48		 102
여성-30 남성-72
평균연령 77.30 76.05 77.36
Average Education Points 14.65 15.93069 15.99038
MMSE 23.48 29.08 27.10
2. 전처리 및 VBM (Voxel-based morphometry) 특징 추출
본 발명에서 모든 MR이미지는 이미지 분석 툴박스 예를 들어, FreeSurfer 및 CIVET 툴박스를 사용하여 전처리하였다. FreeSurfer는 구조적 및 기능적 이미징 바이오마커 분석에 가장 널리 사용되는 소프트웨어이다. 상기 소프트웨어는, 대뇌피질 표면의 백질과 회백질의 묘사, 연뇌막 표면의 표현, 뇌의 다른 부분들로부터 백질부의 구분, 두개골 스트리핑, B1바이어스 필드의 보정, 개체의 대뇌피질표면에 뇌정위 지도로 입체정위의 비선형등록, 피질표면부위의 라벨링, 그룹 형태학적 차이의 통계적 분석, 피질하 뇌구조물의 라벨링 등에 사용되는 완전 자동화된 뇌이미징툴 파이프라인이다.
참고로, 피쉴 (Fischl, 2012)은 복합 이미지 처리 파이프라인의 구축 및 후속하여 상응하는 양의 구분된 다수의 해부학 구조의 이미지 스캔에 대한 컴퓨터 처리를 기술한 바 있다. FreeSurfer는 통계적 파라미터매핑 (SPM) 툴과 비교하여 보다 더 많은 시간이 소요되는 단점이 있다. FreeSurfer를 사용하여, TIV (두개골 내부의 체적으로 언급됨), 전체 GM (회백질, gray matter), 및 해마와 심실의 체적을 aseg.stats 아웃픗 파일로부터 직접 수득하였고, 좌측 및 우측 측두 GM체적을 각각 lh.aparc.stats 및 rh.aparc.stats 파일에서 발견되는 몇몇의 ROI체적을 합쳐서 추출하였다. 사람 대뇌피질의 각 반구에서 34개의 대뇌 회전 (gyral) 기반 ROI영역이 확인된 바 있다 (Desikan et al., 2006).
CIVET (AD-Dab'bagh et al, 2006)은 MR이미지로부터 대뇌피질 표면의 추출 및 분석, 및 많은 다른 체적 및 코르티코메트릭 기능 (corticometric functions)을 포함하여, 대규모 MR데이터세트의 완전 자동화된 처리 및 분석을 위한 최신의 소프트웨어 툴을 사용하는, 자동화된 사용자 친화적 사람 뇌이미징 파이프라인이다. CIVET에서의 처리 및 분석 단계는, 불균일보정 (Sled et al., 1998), 정위등록 (Collins et al., 1994), icbm152 선형 및 비선형 모델등록 (Mazziotta et al., 2001; Evans et al., 2009), 브레인마스킹 (Smith et al., 2009), 분류 ( Zijdenbos et al., 1998; Tohka et al., 2004), 표면추출 (Kim et al., 2005; MacDonald et al., 2000), 피질두께분석 (Lerch et al., 2005; Ad-Dab'bagh et al., 2005), 표면확산스무딩 (Boucher et al., 2009), 표면 등록( Robbins et al., 2004; Lyttelton et al., 2007; Boucher et al., 2009), 표면 분획(parcellation) (Klein et al., 2012), 그리고 애니멀 구분 (Collins et al., 1999) 등의 기능을 포함한다.
3. 커널주성분분석 (Kernel Principal Component analysis)
커널주성분분석은 커널 공간내로 비선형 매핑 후 차원수를 감소시키는 방법이다. KPCA는 커널공간에서 선형PCA를 운용한다. 이하, 커널주성분분석에 이용되는 수식을 중심으로 설명한다. X는 N*d (N = 환자 수, d-차원수)이고, 차원 이미지 특징이다. 하기 식 (1)에서 0을 만족하는 값을 얻은 후,
Figure pat00001
공분산행렬A를 대각화하고,
Figure pat00002
고유값과 고유벡터를 분해하며,
Figure pat00003
(여기서,
Figure pat00004
는 고유값이고,
Figure pat00005
는
Figure pat00006
의 고유벡터이다.)
고유값은 내림차순으로 정렬되고,
Figure pat00007
대응하는 고유벡터는 다음과 같다.
Figure pat00008
0이 아닌 고유값 K에 대해, 고유벡터 행렬은 하기 식 (6)으로 제시되고,
Figure pat00009
입력 데이터는 k 주성분 축에 하기 식 (7)과 같이 도입된다.
Figure pat00010
커널 PCA의 경우, 입력값
Figure pat00011
는 커널공간으로
Figure pat00012
로서 비선형매핑된다.
여기서,
Figure pat00013
이며,
이를 특징영역으로 전환시키면서, 본 발명자들은 하기 식 (9)를 수득하였다.
Figure pat00014
K는 그래미언 매트릭스를 나타내며, 고유벡터 방정식을 풀이하여 주성분을 도출할 수 있다. K는 0이 아닌 값이므로, 효과적인 주성분분석을 위해 K부터 K까지의 데이터를 수렴시켰다.
Figure pat00015
Figure pat00016
은 모든 1/N 요소를 갖는 N*N의 행렬이다.
하기식 (11)은 고유벡터 해결을 위한 방정식이며,
Figure pat00017
여기서,
Figure pat00018
는 고유값,
Figure pat00019
는 고유벡터이다.
다음 고유값 및 이에 대응하는 고유벡터를 선형 PCA로 정렬하고, 커널 특징은 새로운 주성분 축에 다음과 같이 투영된다.
Figure pat00020
가우시안 커널이 하기 식 (13)과 같이 비선형 맵핑으로 사용된다.
Figure pat00021
새롭게 투영된 데이터는 선형판별분석과 함께 추가로 분석된 다음, 트레이닝 분류기에 대해 처리된다.
4. 선형 판별 분석 (Linear Discriminate Analysis; LDA)
가장 일반적인 피셔 선형판별을 특징부의 선형 투영에 사용하여, 2이상의 클래스를 분리하였다. 커널 PCA 후, 분류는 효율적이 아닐 수 있는데, 이는 KPCA가 클래스내 및 클래스간에서의 다양한 특징을 다루지 않기 때문이다. 효과적이고 식별력 있는 투영된 특징을 형성하기 위해, 본 발명에서는 새로운 LDA 투영축에 커널 PCA계수를 투영하였다. 클래스를 구별하는 투영축을 찾기 위해, 본 발명자들은 클래스간 분산 (scatter)과 클래스내 다양성을 확인하였다. 클래스간 가변 행렬은 표본분산으로 표시된다.
Figure pat00022
여기서 C는 클래스의 개수, m은 전체 평균, mi은 i번째의 클래스 평균을 의미한다. 클래스 내에서 분산 매트릭스는 다음과 같이 표시된다.
Figure pat00023
여기서, Zk는 클래스에 속하는 k번째 표본분산이다.
일반화된 래일리계수 (Rayleigh Coefficient)는 하기 식 (16)과 같다.
Figure pat00024
여기서, W는 LDA 계수에 대한 매트릭스이다. 본 발명자들은 하기 식 (17)과 같이 일반화된 고유값 문제를 특성화 하였다.
Figure pat00025
여기서,
Figure pat00026
는 고유값이다.
Sw가 단일 매트릭스인 경우, 상기 식 (17)은 하기 식 (18)로 단순화 될 수 있다.
Figure pat00027
Figure pat00028
의 고유벡터는
Figure pat00029
이고, 고유벡터 매트릭스는 하기 식 (19)의
Figure pat00030
이다.
Figure pat00031
본 발명자들은 커널 PCA계수를, 0이 아닌 고에너지 고유값에 상응하는 고유벡터에 의해 규정된 l 저차원 LDA 프로젝션으로 투영시켰다.
Figure pat00032
여기서,
Figure pat00033
이다.
끝으로, 본 발명자들은 특징 매트릭스 F를 하기 식 (21)에 따라 평가하였다.
Figure pat00034
5. 다중커널러닝SVM
서포트벡터 (support vector)는 이진분류 문제에 대해 매우 효율적이다. 선형SVM을 선형 분리데이터 및 비선형 분리데이터에 대해 사용하였고, 커널SVM를 사용하였다. 두 경우 모두에서, 두 클래스 모두의 서포트벡터로부터 적절하게 이격된 초평면이 묘사되었다. 커널 맵핑 함수는
Figure pat00035
이며, 이는 특징 데이터를 고차원 공간에 도입하여 이를 선형적으로 분리할 수 있게 한다. 선형결정경계는 하기 식 (22)와 같다.
Figure pat00036
여기서, C는 트레이드-오프 (trade-off) 파라미터 트레이닝 오차 및 마진이며,
Figure pat00037
는 0이 아닌 요소를 갖는 슬렉 벡터이다. 최적화 문제는 하기 식 (24)에 제시된 것과 같이, 커널 트릭된 라그랑제 이중 공간 (Lagrange dual space)에 의해 해결될 수 있다.
Figure pat00038
여기서
Figure pat00039
는 커널 매트릭스
Figure pat00040
,
Figure pat00041
는 라그랑쥬 승수이다. 단일커널을 사용하는 대신에, 다항식 커널, 가우시안 커널, 시그모이드 커널과 같은 복수의 커널이 함께 사용될 수 있다. 다른 종류의 커널이 이들의 식별력에 기초한 커널 가중을 갖는 컨벡스 특성으로 함께 결합될 수 있다.
Figure pat00042
Figure pat00043
여기서
Figure pat00044
는 m번째 커널의 가중치이다.
Figure pat00045
의 트레이닝 세트를 고려한다. 여기서,
Figure pat00046
는 트레이닝 샘플이고, L1 소프트 마진 정규화를 갖는 SVM에 대해 이것의 대응하는 클래스 레벨인
Figure pat00047
는 원시문제 (primal problem)와 함께 풀이될 수 있다.
Figure pat00048
다중커널러닝SVM (Support Vector Machine)은 원시문제 내에서 해결 될 수 있다.
Figure pat00049
Figure pat00050
Figure pat00051
Figure pat00052
이와 같은 최적화 문제는 라그랑쥬 이중 공간에 의해 해결될 수 있다.
Figure pat00053
여기서,
Figure pat00054
는 m번째 커널 가중치이고
Figure pat00055
,
Figure pat00056
는 라그랑쥬 멀티플라이어이다. 커널 SVM 솔루션은 컨벡스이고, 쌍대 문제로서 해결될 수 있다. 하기와 같이 수식화 될 수 있다.
Figure pat00057
여기서,
Figure pat00058
,
Figure pat00059
는 커널 매트릭스이다. 단일커널을 사용하는 대신 다중커널을 통합하기 위해, 하기 식 (29)와 같이 L2 정규화로 수식화될 수 있다. (Lanckriet et al., 2005; Lanckriet et al., 2004; Bach et al., 2004)
Figure pat00060
여기서,
Figure pat00061
,
Figure pat00062
,
Figure pat00063
는 최소화 변수 (variable to minimize) 이다. 결정 함수는 하기 식 (30)으로 정의된다.
Figure pat00064
본 발명자들은 다항식 커널, 가우시안 및 시그모이드 커널을 이용하였다. 두 컨벡스 문제는, 대칭 콘에 대한 최적화를 위해 CVX 및 Sedisum 패키지를 이용하는 코닉 프로그램에 의한 2차 콘 프로그래밍(SOCP)으로 해결할 수 있다 (Grant et al., 2013; Grant et al., 2013). 쌍대문제 (dual problem)에서, 대응하는 커널의 가중치가 또한 계산될 수 있으며, 이것은 커널이 HC에서 AD 또는 MCI에서 AD를 구분하는데 있어 중요하며 이에 기여한다. RBF 커널 SVM 문제는 LibSVM 패키지를 사용하여 해결될 수 있다 (C. Chang et al., 2001).
6. 멀티커널러닝SVM 결과
정상대조군 (NC)에서 AD를 판별하기 위해, 먼저 MCI 트레이닝과 테스트 샘플을 준비하였다. 본 발명의 방법에서, 두 개의 샘플 t-test를 특징 서브세트 선별을 위해 수행한 후, 커널주성분분석을 차원의저주 (the curse of dimensionality)를 감소시키고, 고차원 커널 공간에서 비분리성 데이터를 분리할 수 있도록 하기 위해 수행했다. 다음, 커널 PCA계수를 LDA계수에 투영 한 후, 다중커널러닝SVM을 진단을 위한 트레이닝과 테스팅 전략을 위해 사용했다. 피험자의 60%는 트레이닝 목적으로, 40%는 테스팅 목적으로 이용되었다.
본 발명자들은 FreeSurfer로 추출한 체적특징 (volumetric feature), 두께 및 표면영역 대뇌피질 특징을 MMSE 스코어와 통합하였으며, CIVET 툴박스를 이용해 추출한 지역평균 대뇌피질의 두께와 체적 AAL (Automated Anatomical Learning) 구획화 기반의 특징을 또한 통합하였다. 본 발명에서 이용한 3개의 커널은 다항식 커널, 가우시안 커널, 및 시그모이드 커널이었다. 10배 (10-fold) 교차검증방법을 사용하여 분류기의 교차 성능평가분석을 수행하였다.
본 발명의 방법은 표 2 (HC에서 AD의 분류 결과)에 제시한 것과 같이, HC에서 AD를 최상의 경우 체적특징으로 84.73% 분류정확도, 평균 대뇌피질두께 분획특징으로 약 82.09% 정확도로 분류할 수 있다.
Feature Type/ Classifier Method KPCA+LDA+Kernel SVM (%) KPCA+LDA+
MultiKernel SVM (%)		 PCA+LDA+
Kernel SVM (%)		 PCA+LDA+
MultiKernel SVM (%)
Segmentation volumes
(Free Surfer)		 ACC= 82.48 SEN=82.78 SPEC=82.22 ACC= 84.73 SEN=83.47 SPEC=85.69 ACC SEN SPEC
<=50		 ACC=79.05 SEN= 80.14 SPEC=77.78
With SRAN ACC= 92.47 SEN=90.69 SPEC=94.31 With SRAN ACC= 93.10 SEN=90.97 SPEC=95.28 With SRAN ACC= SEN= SPEC= With SRAN ACC= 89.89
SEN= 91.06 SPEC=87.65
Thickness cortical parcellation (Destrieux atlas, FreeSurfer) ACC= 80.19 SEN=79.75 SPEC=82.9 ACC=82.09 SEN=75 SPEC=84.58 ACC=79.62 SEN= 78.19 SPEC=8.83 ACC=80.99 SEN=79.75 SPEC=83.58
With SRAN ACC= 90.19 SEN=86.94 SPEC=94.56 With SRAN ACC=91.72 SEN= 86.94 SPEC=96.67 With SRAN ACC=89.2 SEN= 87.6 SPEC=91.68 With SRAN ACC= 94.21
SEN= 95.14 SPEC=93.19
Regional average cortical thickness (AAL Parcellation, CIVET) ACC=60.27 SEN=38.75 SPEC=79
<=60		 ACC=62.96 SEN=57.25 SPEC=73.08
<=60		 ACC=60.27 SEN= 38.27 SPEC=79
<=60		 ACC=62.03 SEN= 64 SPEC=59
<=60
Regional average volumes (AAL Parcellation, CIVET) ACC=63.96 SEN= 62.26 SPEC=63.97 ACC=71 SEN=67.5 SPEC=74.09 <60 ACC=61.33 SEN= 60.56 SPEC=75.18
With SRAN ACC= 75.9
SEN= 72.3 SPEC=76.5		 With SRAN ACC= 82.00
SEN= 78.78 SPEC=83.6		 With SRAN
<60		 With SRAN ACC=71.32 SEN= 63.89 SPEC=77.64
MMSE 스코어 통합에 의해, 정확도가 10% 증가하였다. 이 방법은 쉬미터 (Schmitter et al., 2015) 등 이 이진 다중변수분류를 수행하여 체적특징에 대해 달성한 85%의 계층화 수행력을 능가하는 것이다. 표 3 (HC에서 MCI분류 결과)에 나타낸 것과 같이, HC에서 MCI를 판별함에 있어, 두께대뇌피질의 분획화 (Destrieux atlas, FreeSurfer)에 대한 판별율은 최상의 경우 76.81%였다.
Feature Type/ Classifier Method KPCA+LDA+
Kernel SVM		 KPCA+LDA+
MultiKernel SVM		 PCA+LDA+Kernel SVM PCA+LDA+
MultiKernel SVM
Segmentation volumes
(Free Surfer)		 ACC= SEN= SPEC=
<60		 ACC= SEN= SPEC=
<60		 ACC= SEN= SPEC=
<60		 ACC= SEN= SPEC=
<60
Surface Area cortical parcellation
(Desikan atlas, Free Surfer)		 ACC= SEN= SPEC=
<60		 ACC= SEN= SPEC=
<60		 ACC= SEN= SPEC=
<60		 ACC= SEN= SPEC=
<60
Thickness cortical parcellation (Destrieux atlas, FreeSurfer) ACC=76.23 SEN=73.18 SPEC=79.27 ACC=76.81 SEN=71.73 SPEC=82.09 ACC=71.21 SEN= 66.18 SPEC=80.09 ACC=73.31 SEN= 67.09 SPEC=79.49
With SRAN ACC= 84.11
SEN= 79.2 SPEC=88.45		 With SRAN ACC=85.10 SEN=80.6 SPEC=89.6 With SRAN ACC=80.56 SEN= 79.36 SPEC=82.36 With SRAN ACC=82.34 SEN= 79.75 SPEC=84.45
Regional average volumes(AAL Parcellation, CIVET) ACC=58.5 SEN= 63.64 SPEC=53.55 ACC=65.95 SEN=65.73 SPEC=66.09 ACC=54.21 SEN=73 SPEC=35.34 ACC=62.45 SEN= 57.5 SPEC=67.36
상기 판별율은 쉬미터 등이 이진 다중변수분류를 수행하여 체적특징에 대해 얻은 73% 검출율을 능가하는 것이다. MMSE 스코어를 더하여 결합된 특징은 10% 보다 더 증가된 검출율을 제공한다. NC에서 AD, 및 NC에서 MCI의 판별능력 CIVET 툴박스보다 Freesurfer에 의해 추출된 모든 유형의 특징에서 더 높았다.
본 발명의 방법은 정상인으로부터 알츠하이머성 치매 환자 및 경도인지장애를 매우 효율적으로 판별할 수 있는 수단을 제공한다. 따라서 본 발명은 임상에서 알츠하이머성 치매 환자를 판별하는데 효과적으로 이용될 수 있으며, 알츠하이머 병의 진행을 방지할 수 있다.

Claims (3)

  1. 정상인으로부터 알츠하이머성 치매환자 및 경도인지장애를 판별하는 수단을 제공하기 위한 뇌 MR이미지 분석 방법으로서,
    분석하고자 하는 뇌 MR이미지에 대해, 커널주성분분석 (KPCA), 선형판별분석 (Linear Discriminant Analysis; LDA) 및 다중커널러닝SVM을 순차적으로 수행하며,
    FreeSurfer 및 CIVET툴박스를 포함하는 이미지 분석 툴박스로 전처리된 뇌 MR이미지 특징이 상기 커널주성분분석 (KPCA)에 제공되는 것인,
    뇌 MR이미지 분석 방법.
  2. 제 1항에 있어서,
    상기 이미지 분석 툴박스로 전처리된 뇌 MR이미지 특징을 MMSE (Mini-Mental State Exam) (인지기능평가) 스코어와 통합하고, 이를 t-테스트에 적용하여 하위 특징을 선택하며,
    상기 선택된 하위특징이 상기 커널주성분분석 (KPCA)에 제공되는 것인,
    뇌 MR이미지 분석방법.
  3. 제 1항 또는 제 2항에 있어서,
    뇌 MR이미지 특징이 체적특징 (volumetric feature), 두께특징 또는 표면영역 대뇌피질 특징인 것인,
    뇌 MR이미지 분석방법.

KR1020170158239A 2017-11-24 2017-11-24 Kpca, lda, 및 다중커널학습 svm을 이용한 뇌 이미지 분석방법 KR20170140127A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170158239A KR20170140127A (ko) 2017-11-24 2017-11-24 Kpca, lda, 및 다중커널학습 svm을 이용한 뇌 이미지 분석방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170158239A KR20170140127A (ko) 2017-11-24 2017-11-24 Kpca, lda, 및 다중커널학습 svm을 이용한 뇌 이미지 분석방법

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020160072581 Division 2016-06-10

Publications (1)

Publication Number Publication Date
KR20170140127A true KR20170140127A (ko) 2017-12-20

Family

ID=60931742

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170158239A KR20170140127A (ko) 2017-11-24 2017-11-24 Kpca, lda, 및 다중커널학습 svm을 이용한 뇌 이미지 분석방법

Country Status (1)

Country Link
KR (1) KR20170140127A (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101957811B1 (ko) * 2018-08-07 2019-03-13 주식회사 뷰노 의료 영상에 기반하여 피검체의 치매에 대한 중증도를 산출하는 방법 및 이를 이용한 장치
KR20190088730A (ko) * 2018-01-19 2019-07-29 사회복지법인 삼성생명공익재단 아밀로이드 양성 경도인지장애 환자의 치매 진행을 예측하여 분류하는 방법 및 장치
KR20190115755A (ko) * 2018-04-03 2019-10-14 재단법인대구경북과학기술원 시냅스 영상 촬영 장치 및 그의 구동 방법
CN113254925A (zh) * 2021-02-01 2021-08-13 中国人民解放军海军工程大学 一种基于pca与svm的网络入侵检测系统
CN115356605A (zh) * 2022-10-19 2022-11-18 深圳市睿拓新科技有限公司 配电开关控制设备运行状态监控方法
KR20230015706A (ko) * 2021-07-23 2023-01-31 조선대학교산학협력단 구조적, 확산 및 기능적 신경영상과 apoe 유전형을 포함하는 다중모드 특징을 이용하여 알츠하이머병에 대한 진단정보 제공방법

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190088730A (ko) * 2018-01-19 2019-07-29 사회복지법인 삼성생명공익재단 아밀로이드 양성 경도인지장애 환자의 치매 진행을 예측하여 분류하는 방법 및 장치
KR20190115755A (ko) * 2018-04-03 2019-10-14 재단법인대구경북과학기술원 시냅스 영상 촬영 장치 및 그의 구동 방법
KR101957811B1 (ko) * 2018-08-07 2019-03-13 주식회사 뷰노 의료 영상에 기반하여 피검체의 치매에 대한 중증도를 산출하는 방법 및 이를 이용한 장치
CN113254925A (zh) * 2021-02-01 2021-08-13 中国人民解放军海军工程大学 一种基于pca与svm的网络入侵检测系统
CN113254925B (zh) * 2021-02-01 2022-11-15 中国人民解放军海军工程大学 一种基于pca与svm的网络入侵检测系统
KR20230015706A (ko) * 2021-07-23 2023-01-31 조선대학교산학협력단 구조적, 확산 및 기능적 신경영상과 apoe 유전형을 포함하는 다중모드 특징을 이용하여 알츠하이머병에 대한 진단정보 제공방법
CN115356605A (zh) * 2022-10-19 2022-11-18 深圳市睿拓新科技有限公司 配电开关控制设备运行状态监控方法
CN115356605B (zh) * 2022-10-19 2023-01-13 深圳市睿拓新科技有限公司 配电开关控制设备运行状态监控方法

Similar Documents

Publication Publication Date Title
Khedher et al. Early diagnosis of Alzheimer׳ s disease based on partial least squares, principal component analysis and support vector machine using segmented MRI images
Alam et al. Alzheimer disease classification using KPCA, LDA, and multi‐kernel learning SVM
Zhuang et al. A technical review of canonical correlation analysis for neuroscience applications
Ju et al. Early diagnosis of Alzheimer's disease based on resting-state brain networks and deep learning
KR20170140127A (ko) Kpca, lda, 및 다중커널학습 svm을 이용한 뇌 이미지 분석방법
Moradi et al. Machine learning framework for early MRI-based Alzheimer's conversion prediction in MCI subjects
Falahati et al. Multivariate data analysis and machine learning in Alzheimer's disease with a focus on structural magnetic resonance imaging
Bron et al. Standardized evaluation of algorithms for computer-aided diagnosis of dementia based on structural MRI: the CADDementia challenge
US20200285906A1 (en) A system and method for automated labeling and annotating unstructured medical datasets
Garali et al. Histogram-based features selection and volume of interest ranking for brain PET image classification
CN111447874A (zh) 判别装置、抑郁症状的判别方法、抑郁症状的水平的判断方法、抑郁症患者的分类方法、抑郁症状的治疗效果的判断方法和脑活动训练装置
Demirci et al. A projection pursuit algorithm to classify individuals using fMRI data: Application to schizophrenia
US10891444B2 (en) Automated generation of sentence-based descriptors from imaging data
Moridian et al. Automatic autism spectrum disorder detection using artificial intelligence methods with MRI neuroimaging: A review
Ye et al. Discriminative multi-task feature selection for multi-modality classification of Alzheimer’s disease
Li et al. Deep ordinal ranking for multi-category diagnosis of Alzheimer's disease using hippocampal MRI data
Martínez-Murcia et al. Functional activity maps based on significance measures and independent component analysis
Farouk et al. Early diagnosis of alzheimer’s disease using unsupervised clustering
Salas-Gonzalez et al. Analysis of SPECT brain images for the diagnosis of Alzheimer's disease using moments and support vector machines
Shahparian et al. Alzheimer disease diagnosis from fMRI images based on latent low rank features and support vector machine (SVM)
JP5611995B2 (ja) 情報予測デバイスを構築する方法、情報予測デバイスの使用方法、ならびに対応する記憶媒体および記憶装置
Pillai et al. Fusing heterogeneous data for Alzheimer's disease classification
Anusha et al. Parkinson’s disease identification in homo sapiens based on hybrid ResNet-SVM and resnet-fuzzy svm models
Farouk et al. Statistical features and voxel-based morphometry for alzheimer's disease classification
Seo et al. Visualizing Alzheimer's disease progression in low dimensional manifolds

Legal Events

Date Code Title Description
A107 Divisional application of patent
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application