含高相关协变量的纵向广义线性模型变量选择研究

结合半标准偏协方差函数(SPAC)和Lasso惩罚估计方法,对一类纵向数据下的广义线性模型的变量选择问题提出一种基于SPAC-Lasso惩罚的变量选择方法。在一些正则性条件下证明了所提出的变量选择方法的相合性,并给出了所得正则估计的收敛速度。所提出的变量选择方法允许协变量之间存在高相关性,改进并推广了已有变量选择方法的应用领域。

基于深度学习的非零水平集保凸的左心室分割

采用距离正则化水平集演化(distance regularized level set evolution, DRLSE)模型对左心室(left ventricle, LV)进行分割会使其产生锯齿状,分割效果较差。为了解决左心室分割目前面临的问题,本文首先使用基于卷积神经网络(convolutional neural network, CNN)的心肌中心线检测算法,取代了水平集方法的人工初始化过程,其次提出了一种基于非零水平集保凸的左心室分割方法。将距离正则化水平集演化(distance regularized level set evolution, DRLSE)模型(水平集方法)、深度学习方法与新方法的平均度中心性进行比较发现,新方法在收缩末期(end-systole, ES)的平均DC(dice coefficient)值为0.93,高于其他方法;除此之外,新方法在舒张末期(end-diastole, ED)与ES阶段的平均豪斯多夫距离(Hausdorff distance,HD)分别为2.51、2.54,明显小于深度学习方法以及水平集方法。实验结果表明,新方法能够有效地提高分割精度。