结构磁共振成像(s MRI)本质上具有三维张量结构,而传统的向量空间机器学习方法将其展开成向量进行建模,这破坏了数据的内在结构信息的完整性,降低了机器学习性能。为了克服数据向量化的弊端,提出了一种基于支持张量机(Support tensor ma...结构磁共振成像(s MRI)本质上具有三维张量结构,而传统的向量空间机器学习方法将其展开成向量进行建模,这破坏了数据的内在结构信息的完整性,降低了机器学习性能。为了克服数据向量化的弊端,提出了一种基于支持张量机(Support tensor machine,STM)的以3D T1加权MR脑白质图像为输入的阿尔兹海默症诊断算法。首先用SPM8软件将采集的MRI数据进行预处理,分割为灰质、白质、脑脊液3部分,提取脑白质各体素的灰度值构建三阶灰度张量,然后用递归特征消除(Recursive Feature Elimination,RFE)法结合支持张量机进行特征选择,最后用支持张量机进行分类。在阿尔兹海默症患者(AD),轻度认知障碍患者(MCI)(包括转化为AD的MCI-C和未转化的MCI-NC)以及正常对照(NC)4组人群中进行实验测试,并用10折交叉验证方法获得验证结果。用ROC曲线下面积AUC、分类准确率、敏感性、特异性这4个指标评价分类器的性能,AD vs NC组分别达到99.1%、97.14%、95.71%、98.57%;AD vs MCI组分别达到88.29%、84.07%、78.57%、91.07%;MCI vs NC组分别达到89.18%、87.91%、93.75%、78.57%;MCI-C vs MCI-NC组分别达到87.5%、82.08%、80.36%、82.14%。算法保持了原始图像的张量结构,提高了分类器的性能,实验结果表明此算法是一种有效的阿尔兹海默症诊断方法。展开更多
本文提出了一种基于局部形状结构分类的心血管内超声(Intravascular Ultrasound,IVUS)图像中-外膜边界检测方法.首先利用k-均值(k-means)聚类方法,确定局部形状结构类别;其次通过类别标号索引图像块,并对其进行积分通道特征和自相似性...本文提出了一种基于局部形状结构分类的心血管内超声(Intravascular Ultrasound,IVUS)图像中-外膜边界检测方法.首先利用k-均值(k-means)聚类方法,确定局部形状结构类别;其次通过类别标号索引图像块,并对其进行积分通道特征和自相似性特征提取,构建多分类随机决策森林模型;最后由分类模型寻找IVUS图像的关键点,采用曲线拟合方法,实现IVUS图像中-外膜边界检测.实验结果表明,本文方法能够有效地解决IVUS图像中斑块、伪影和血管分支等造成边缘难以准确检测的问题,与已有算法相比,其JM(Jaccard Measure,JM)达到了88.9%,PAD(Percentage of Area Difference,PAD)降低了19.1%,HD(Hausdorff Distance,HD)减少了9.7%,更准确地识别目标边界的关键点,成功地检测出完整的中-外膜边界.展开更多
文摘结构磁共振成像(s MRI)本质上具有三维张量结构,而传统的向量空间机器学习方法将其展开成向量进行建模,这破坏了数据的内在结构信息的完整性,降低了机器学习性能。为了克服数据向量化的弊端,提出了一种基于支持张量机(Support tensor machine,STM)的以3D T1加权MR脑白质图像为输入的阿尔兹海默症诊断算法。首先用SPM8软件将采集的MRI数据进行预处理,分割为灰质、白质、脑脊液3部分,提取脑白质各体素的灰度值构建三阶灰度张量,然后用递归特征消除(Recursive Feature Elimination,RFE)法结合支持张量机进行特征选择,最后用支持张量机进行分类。在阿尔兹海默症患者(AD),轻度认知障碍患者(MCI)(包括转化为AD的MCI-C和未转化的MCI-NC)以及正常对照(NC)4组人群中进行实验测试,并用10折交叉验证方法获得验证结果。用ROC曲线下面积AUC、分类准确率、敏感性、特异性这4个指标评价分类器的性能,AD vs NC组分别达到99.1%、97.14%、95.71%、98.57%;AD vs MCI组分别达到88.29%、84.07%、78.57%、91.07%;MCI vs NC组分别达到89.18%、87.91%、93.75%、78.57%;MCI-C vs MCI-NC组分别达到87.5%、82.08%、80.36%、82.14%。算法保持了原始图像的张量结构,提高了分类器的性能,实验结果表明此算法是一种有效的阿尔兹海默症诊断方法。
文摘本文提出了一种基于局部形状结构分类的心血管内超声(Intravascular Ultrasound,IVUS)图像中-外膜边界检测方法.首先利用k-均值(k-means)聚类方法,确定局部形状结构类别;其次通过类别标号索引图像块,并对其进行积分通道特征和自相似性特征提取,构建多分类随机决策森林模型;最后由分类模型寻找IVUS图像的关键点,采用曲线拟合方法,实现IVUS图像中-外膜边界检测.实验结果表明,本文方法能够有效地解决IVUS图像中斑块、伪影和血管分支等造成边缘难以准确检测的问题,与已有算法相比,其JM(Jaccard Measure,JM)达到了88.9%,PAD(Percentage of Area Difference,PAD)降低了19.1%,HD(Hausdorff Distance,HD)减少了9.7%,更准确地识别目标边界的关键点,成功地检测出完整的中-外膜边界.
