多模特特征选择与自我表达的拓多重体,用于与轻度认知障碍相关的末期病
Chaofan Song1, Tongqiang Liu2, Huan Wang1
1School of Computer Science and Artificial Intelligence, Changzhou University, Changzhou 213164, China.
Mathematical biosciences and engineering : MBE
|September 7, 2023
概括
一种新方法,SETMFS,使用拓式多元学习来选择大脑区域来诊断末期的轻度认知障碍病 (ESRDaMCI). 与现有方法相比,这种方法显著提高了分类准确性.
科学领域:
- 神经成像是一种神经成像.
- 医学诊断 医学诊断 医学诊断
- 机器学习 机器学习
背景情况:
- 在多模式神经图像中选择歧视性大脑区域对于理解与轻度认知障碍 (ESRDaMCI) 相关的末期病至关重要.
- 当前的多模特特征选择方法往往忽略了仅依赖于欧几里德距离的数据多重体.
- 需要先进的特征选择技术来捕获内在数据结构,以提高诊断准确度.
研究的目的:
- 提出一种基于拓多重组的多模特特征选择方法 (SETMFS),用于识别ESRDaMCI中的关键大脑区域.
- 通过有效的多模式特征选择,增强对ESRDaMCI基础的神经病理机制的理解.
- 通过先进的神经成像分析,提高ESRDaMCI的分类性能.
主要方法:
- 从功能磁共振成像 (fMRI) 构建了动态的大脑功能网络,并提取了中间中心性.
- 从fMRI和动脉旋转标记 (ASL) 数据开发了特征矩阵,包括脑血流 (CBF).
- 采用自我表达拓多重学习与图形规则化来识别特征的线性自我表达,并使用多核支持向量机 (MKSVM) 进行分类.
主要成果:
- 与最先进的特征选择技术相比,提出的SETMFS方法显示出更高的性能.
- 获得了ESRDaMCI的86.10%的分类准确度,超过其他方法至少4.34%.
- 该方法有效地利用多模式特征中的拓相关性.
结论:
- 在ESRDaMCI的神经成像研究中,SETMFS提供了一种强大的多模式特征选择方法.
- 该方法对拓关系的考虑提高了其揭示神经病理洞察力的能力.
- SETMFS为ESRDaMCI的辅助诊断提供了有价值的参考.
