MRI图像分析中的稀疏特征学习方法研究.pdf

《MRI图像分析中的稀疏特征学习方法研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、MRI图像分析中的稀疏特征学习方法研究王犁野2015年6月中图分类号：TQ028.1UDC分类号：540MRI图像分析中的稀疏特征学习方法研究作者姓名王犁野学院名称生命学院指导教师唐晓英教授答辩委员会主席高家红教授申请学位工学博士学科专业电子科学与技术学位授予单位北京理工大学论文答辩日期2015年5月26日StudyofsparsefeaturelearningmethodinMRIimageanalysisCandidateName：LiyeWangSchoolorDepartment:SchoolofLifeScienceFacultyMentor:Prof.Xiaoy

2、ingTangChair,ThesisCommittee：Prof.JiahongGaoDegreeApplied:DoctorofPhilosophyMajor：ElectronicScienceandTechnologyDegreeby:BeijingInstituteofTechnologyTheDateofDefence：May26，2015研究成果声明本人郑重声明：所提交的学位论文是我本人在指导教师的指导下进行的研究工作获得的研究成果。尽我所知，文中除特别标注和致谢的地方外，学位论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得北京理工大学或其它教育机构

3、的学位或证书所使用过的材料。与我一同工作的合作者对此研究工作所做的任何贡献均已在学位论文中作了明确的说明并表示了谢意。特此申明。签名：日期：北京理工大学博士学位论文摘要近年来，MRI图像分析方法被越来越多地应用于大脑结构和功能研究以及神经性疾病的计算机辅助诊断中。另一方面，随着人工智能的发展，机器学习技术，尤其是其中的稀疏特征学习也被越来越多地引入MRI图像分析中，在分类和预测建模方面扮演着重要角色。因此，研究新的MRI图像分析方法，是更好地深度挖掘MRI图像信息，进而促进脑科学研究及计算机辅助诊断技术发展的关键。然而，MRI图像分析常常面临小样本、高特征维度的问题，由此导

4、致的过拟合、噪声特征和冗余特征严重降低了模型性能。稀疏特征学习方法能够很好地解决上述难点，并已经成功地应用于信号处理、模式识别和计算机视觉领域。本论文致力于研究新的适用于MRI图像分析的稀疏特征学习方法，通过设计新的代价函数约束项来挑选拥有最佳分辨性能的图像特征，从而提升模型分类和预测性能。本研究涉及的稀疏特征学习方法既包括稀疏单任务学习，如稀疏贝叶斯学习和基于L范数的稀疏学习，也包括稀疏多任务学习，如组Lasso，1Dirtymodel和稀疏组Lasso。通过对上述方法进行不同程度的创新，将其应用于认知神经科学和神经疾病诊断研究中，取得了良好的效果。本文的工作及创新之处主

5、要包括以下5个部分：1.建立了一个基于多体素模式分析的学习模型，在初级视皮层上对空间视觉刺激进行解码研究，解决了单体素分析方法忽视了体素之间的相关信息这一缺点。进一步，建立了一种多分类的稀疏贝叶斯学习模型，将特征选择与视觉解码结合起来。该模型能够在选择最相关特征的同时利用挑选出的特征进行视觉解码，具有很好的整合性。实验结果表明，该方法从2000个初级视皮层体素中挑选出9个最相关体素，使用挑选出的体素进行解码，分类精度达到91.6%。同时，将挑选出的9个体素映射回原始脑空间，从另一个角度验证了初级视皮层具有视网膜映射特性。该方法为基于功能MRI的视觉研究提供了一种新的途径。2

6、.首次提出一种基于结构MRI图像和L范数稀疏特征学习的烟雾病诊断方法，解决1了传统数字造影方法有损、技术复杂及代价高昂的缺点，使得将烟雾病诊断作为常规检查成为可能。具体来说，该方法首先提取结构MRI图像的皮层厚度特征，每幅图像得到约2万个特征。然后建立了三种基于L范数的稀疏特征学习模型，包括Lasso，1弹性网和L1-logistic回归，通过特征选择实现特征约简，最后用挑选出的特征训练I北京理工大学博士学位论文支持向量机分类器。实验结果表明，提出的诊断方法取得了较好的诊断精度（分类精度），其中基于弹性网特征学习的方法取得了最高的诊断精度，达到82.36%，对应ROC曲线下

7、的面积0.833，显著优于未经过特征选择直接使用支持向量机对所有提取特征分类的结果（分类精度71.72%，对应ROC曲线下面积0.787）。3.利用儿童（6岁到15岁）的结构MRI图像，建立了基于多核支持向量回归的智商估计模型，并在建模过程中提出一种改进Dirtymodel多任务特征学习方法用于特征选择，较好地实现了对儿童的智商估计。具体来说，首先提取儿童结构MRI图像的灰质/白质特征，将对灰质/白质的特征选择分别看做一个学习任务，利用提出的改进Dirtymodel选择与智商相关的灰质/白质特征。分别计算挑选出的灰