贝叶斯张量建模用于基于图像的阿尔茨海默氏症疾病分类

科学领域:

• 统计建模 统计建模
• 机器学习 机器学习
• 医学成像分析分析 医学成像分析

背景情况:

• 张量表示为医疗图像等复杂数据提供维度缩小和空间信息保存.
• 贝叶斯标量对张量回归已经确立,但贝叶斯对张量值共变量的分类方法尚不发达.
• 像矢量化这样的标准方法会失去空间结构,特征提取方法可能会丢失信息.

研究的目的:

• 提出一种基于数据增强的贝叶斯分类方法,用于张量值的共变量,特别是用于成像预测器.
• 扩展现有的分类方法,以有效地处理高维张量预测器,同时保留空间信息.
• 开发一个高效的马尔科夫链蒙特卡洛 (MCMC) 算法来实现拟议的方法.

主要方法:

• 开发了贝叶斯分类的两个数据增强方案:一个SVM类型和一个后勤回归类型分类器.
• 扩展现有的分类技术,以纳入具有低级系数矩阵分解的高维张量预测器.
• 在整个分类过程中,在成像预测器中保存空间信息.
• 使用高效的马尔科夫链蒙特卡洛 (MCMC) 算法实现了这些方法.

主要成果:

• 与标准方法相比,模拟研究表明,分类准确度显著提高.
• 参数估计的准确性也得到了提议的贝叶斯分类方法的增强.
• 该方法在神经成像应用中显示出卓越的分类准确性,包括区分阿尔茨海默氏症 (AD) 患者,正常对照和MCI患者.

结论:

• 拟议的基于数据增强的贝叶斯分类方法有效地利用张量值成像数据.
• 该方法保留了关键的空间信息,从而提高了复杂数据集的分类准确性.
• 该方法在各种神经成像分类任务中表现有前途,性能优于现有技术.