论文部分内容阅读
机器学习技术(如稀疏学习、支持向量机等)已被成功地应用到各个领域,包括图像处理,医学影像分析等。最近,研究人员也将机器学习应用到基于功能磁共振成像(functional magnetic resonance imaging,fMRI)的脑网络分析(分类)中,获得很好的性能。但由于脑网络数据本质上是高维的结构化数据,对其抽象表达和精确刻画,仍是这类研究中面临的一个重要问题,也是后续脑网络分析的基础。基于此背景,本文展开了面向功能性脑网络的表示学习研究工作,具体工作包括以下三部分:(1)提出一种基于权值分布的自适应阈值化方法(称之为WDT),用于自适应地阈值化功能性脑网络。阈值化处理是脑网络分析非常基础的步骤,传统的方法一般采用单一值或者单一比例值方法对整个脑网络进行阈值化处理,从而忽略了脑区间连接的多样性,即不同脑区间的连接强弱(权重)不同,应该采用不同阈值进行处理。另外,在实践当中,并没有一个好的标准来确定相应的阈值或百分比,往往根据经验或者需要尝试大量可能的值来确定相应的阈值。基于此,提出的WDT方法能够充分利用不同脑区间连接权重的分布信息,对每个连接能够自适应地确定一个最优阈值,从而能够更为精确的刻画脑网络。具体而言,对训练样本根据类标签(如病人和正常人)进行分组,对每一对连接利用不同组样本的权重分布自动确定相应的阈值。从而对不同的连接确定不同的阈值,刻画不同脑区间连接多样性。(2)提出一种多网络特征融合的表示学习方法。考虑到单一特征仅刻画网络的单一特性,而不同网络测量刻画不同网络特性,它们可能包含有用的互补信息能够进一步提升网络分析的性能。因此,在上一个工作基础上,对构建的阈值化的脑网络,提取了不同的网络测量,从不同角度刻画网络的连接特性,进一步提出了一种多网络特征融合的表示学习方法,利用多核支持向量机(Multikernel Support Vector Machine)技术对多种网络特性进行整合。(3)将上面提出的模型用于脑疾病的分析。在两个公开的基于fMRI的脑疾病数据集上,即国际标准老年痴呆症数据集(the Alzheimer’s Disease Neuroimaging Initiative,ADNI)和注意力缺陷多动障碍数据集(Attention Deficit Hyperactivity Disorder,ADHD-200),分析了提出模型的性能。实验结果表明,提出的方法能够提升脑疾病分类的性能。