亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于高斯過程分步分類的阿爾茨海默病輔助診斷*

        2018-10-18 06:43:32陳靖靳晨滕升華
        生物醫(yī)學工程研究 2018年1期
        關鍵詞:后驗訓練樣本協(xié)方差

        陳靖,靳晨,滕升華

        (山東科技大學電子通信與物理學院,青島 266590)

        1 引 言

        阿爾茨海默病(alzheimer's disease,AD )是一種以腦功能衰退為特征的神經退行性疾病,是老年癡呆最常見的形式[1-2]。2015年根據國際相關組織報告,隨著人口老齡化,AD發(fā)病率呈明顯上升趨勢,預計在現有AD患者的基礎上,每20年增加1倍,估算到2050年將達到1億人以上[3]。研究表明,及時診斷、發(fā)現AD前期階段—輕度認知障礙(mild cognitive impairment,MCI)并進行相關治療,可延緩甚至避免MCI發(fā)展惡化為AD,是防治AD的有效手段之一[4-5]。

        到目前為止,已有多種生物標志物顯示出對AD診斷的敏感性,從而眾多分類方法被開發(fā)并應用于識別AD、MCI和健康對照組(healthy control,HC),其中支持向量機(support vector machine,SVM)對小樣本學習操作簡單且識別率高而被廣泛應用,但處理高維腦影像數據其準確率并不能令人滿意[4-9]。

        高斯過程分類(gaussian process classification,GPC)是一種基于概率判別和核函數的貝葉斯機器學習方法,其分類思想是假設映射函數服從均值為協(xié)方差矩陣(即核函數)為K的高斯分布先驗,然后通過貝葉斯推理獲得合適的,使之能夠對測試樣本類別進行概率預測[10-11]。GPC在識別分類研究中展現出良好的性能,Bazi把GPC應用到遙感圖像的分類上,比較了在不同的核函數和近似方法下的分類結果,同時在與SVM的精度比較上取得了更好的結果[12];Chen將GPC和深度信念網絡結合,應用于音樂情感檢測系統(tǒng),結果顯示性能良好[13];黃維在人臉識別分類中使用GPC,并成功解決了多分類問題[14];耿雪青將GPC應用于運動想象腦電信號分類,并與SVM分類進行比較,證明了該方法的有效性[15]。

        對AD分類的研究,可供使用的有標記腦影像數據仍然相對較少。利用GPC解決有監(jiān)督分類問題,訓練樣本數量是影響識別率的一個重要因素,若樣本數量不足可能會造成類內協(xié)方差矩陣奇異或者協(xié)方差矩陣的逆陣不穩(wěn)定,使得映射函數的后驗概率參數無法進行估計,除此之外,小樣本問題還會使結果產生較大的偶然性。為了緩解訓練樣本數量少的問題,可以采用無標記樣本參與訓練。一種做法是半監(jiān)督分類[16],即用部分未標記數據和標記數據聯(lián)合進行模式分析,但算法通常較為復雜。本研究設計一種分步的分類模式:先進行一次高斯過程分類,把分類結果確定性強的測試樣本作為補充參與訓練,以此增加訓練樣本數量;再對后驗概率差異較小、容易造成錯分的樣本進行二次分類。利用更多的訓練樣本能更準確地在特征空間表征對應的分類模式,進而提升分類性能。最后,通過實驗驗證了該方法對AD輔助診斷的有效性。

        2 算法

        2.1 常規(guī)高斯過程分類算法

        GPC相對于神經網絡和SVM等分類方法的優(yōu)勢首先體現在采用概率模型,模型輸出值為測試樣本屬于每一類的概率數據而不是預測的標簽,這一點在臨床診斷中更有意義。其次GPC不需要手動設置模型參數,這些參數都是在應用高斯函數求解后驗概率時自動獲取的。此外,參數相對較少,優(yōu)化參數和進行收斂則更簡單。

        GPC包含3個模塊:定義映射函數(隱變量函數)、定義似然函數、計算映射函數的后驗概率。

        在分類問題中似然函數通常定義為一個S形函數,不能直接得到映射函數的后驗概率,通常利用高斯函數來逼近后驗概率,主要包括Kullback-Leibler散度最小化、期望傳播(Expectation Propagation)、Laplace逼近、Markov Chain Monte Carlo方法等[10]。

        (1)

        假設映射函數服從均值為零、協(xié)方差矩陣為平方指數協(xié)方差核函數(RBF)的多維高斯過程分布,則先驗概率p(f/x)表示為:

        p(f/x)=N(0,K)

        (2)

        式中,K為協(xié)方差矩陣,由貝葉斯定理可得映射函數的后驗概率為:

        (3)

        (4)

        (5)

        則對于測試樣本x*輸出為正樣本的概率為:

        (6)

        2.2 高斯過程分步分類

        對于AD診斷常用高維腦影像數據,訓練樣本數量相對較少,直接利用GPC的準確率較低。觀察樣本從屬于正樣本的概率,有些數值非常高甚至接近于1、或者非常低而近似于0,對這些樣本進行類別判定通常不會產生錯誤。更進一步,把這些易分樣本篩選出來與原有訓練數據合并作為新的訓練樣本,可看作增加了訓練樣本的數量,從而有可能改善分類性能。這就是高斯過程分步分類(gaussian process stepwise classification, GPSC)的基本思想,處理流程見圖1。具體地,先將測試樣本進行一次高斯過程分類,得到測試樣本對應于每一類的預測概率。當類別之間的預測概率相差不大時,說明該樣本的特征不明顯,容易造成錯分,如兩類問題、預測概率近似為0.5。確定模糊概率范圍,把預測概率位于此范圍內的樣本定為易錯樣本,其他樣本為易識別樣本。在第二步分類中,將易識別樣本作為補充參與訓練,對易錯樣本重新進行分類,從而得到這部分樣本最終的判定結果。

        圖1 高斯過程分步分類流程圖

        3 實驗結果及分析

        實驗數據采用(alzheimer’s disease neuroimaging initiative,ADNI) 數據庫的磁共振影像(magnetic resonance imaging, MRI)。所用MRI均采用1.5T掃描,對MR圖像進行灰度校正和配準,并把大腦分成93個感興趣區(qū)域[18],將每個區(qū)域的灰質體積作為樣本特征。

        實驗中共使用807個樣本:AD樣本為186個,HC樣本為226個,MCI樣本395個,包括167個進展型MCI樣本(progressive MCI, pMCI)和228個穩(wěn)定型MCI樣本(stable MCI, sMCI)。為了驗證GPSC算法的有效性,實驗將GPSC算法與SVM、GPC兩種分類方法進行比較。

        GPC的輸出結果為測試樣本屬于每一類的概率值,通過設定閾值判定類別歸屬;閾值不同,分類靈敏度和特異度也會發(fā)生相應的變化,可根據實際需要對靈敏度和特異度進行調節(jié),這也是高斯過程分類方法一個優(yōu)良特性。為公平比較GPC和GPSC的分類性能,實驗中閾值均取0.5,并通過十折交叉驗證計算分類指標,具體包括準確率、靈敏度、特異度和ROC曲線下面積(area under curve, AUC)。

        3.1 AD vs. HC分類

        實驗數據是186個AD樣本和226個HC樣本。SVM、GPC和GPSC等三種分類方法的識別結果見表1,ROC曲線見圖2。

        表1三種方法對ADvs.HC的分類結果

        Table 1 Classification results of three methods for AD vs. HC

        圖2 三種方法對AD vs. HC分類的ROC曲線

        可以看出,與SVM和GPC相比,GPSC能顯著提升分類的準確率、靈敏度、特異度以及AUC值。與此對應,圖2所示ROC曲線同樣表明GPSC綜合性能最優(yōu)。

        3.2 MCI vs. HC分類

        本次實驗數據為395個MCI樣本,其中包括167個pMCI樣本和228個sMCI樣本,以及226個HC樣本。GPSC和SVM、GPC三種分類方法的識別結果見表2,ROC曲線見圖3。

        表2三種方法對MCIvs.HC的分類結果

        Table 2 Classification results of three methods for MCI vs. HC

        圖3 三種方法對MCI vs. HC分類的ROC曲線

        從表2可以看出,實驗結果和AD vs. HC分類結果一致,GPSC分類性能相對于其他兩種分類方法都是最好的。結合圖3的ROC曲線,再次證明GPSC分類性能最優(yōu)。

        3.3 pMCI vs. sMCI分類

        為充分驗證GPSC算法的有效性以及對MCI病情轉化預測的準確性,本次實驗數據采用167個pMCI樣本和228個sMCI樣本,兩類樣本的區(qū)別為是否在18個月內轉為AD患者,若轉為AD患者,則為進展型MCI即pMCI,反之為sMCI。GPSC和SVM、GPC三種分類方法的識別結果見表3,圖4是相應的ROC曲線。

        表3三種方法對pMCIvs.sMCI的分類結果

        Table 3 Classification results of three methods for pMCI vs. sMCI

        圖4三種方法對pMCIvs.sMCI分類的ROC曲線

        Fig4ROCcurvesoffourmethodsfor

        pMCIvs.sMCIclassification

        從表3可以看出,GPSC對于病變特征相似且不符合老年癡呆診斷標準的pMCI和sMCI樣本依然具有分類能力,準確率、靈敏度、特異度以及AUC值同樣高于其他兩種分類方法,圖4的ROC曲線也證明了GPSC算法的有效性。

        4 結論

        受限于數據的高維度和有限的訓練樣本數量,常規(guī)高斯過程分類和SVM在對結構性腦影像數據進行分類時的準確率不是非常理想。本研究提出基于分步分類模式的高斯過程分步分類方法:先對測試樣本進行一次高斯過程分類,根據預測概率是否在模糊范圍內,將測試樣本分為易錯樣本和易識別樣本;在第二次分類中,將易識別樣本作為補充參與訓練,以此增加訓練樣本數量,并對易錯樣本進行第二次分類。

        將高斯過程分步分類應用于AD診斷,通過對AD vs. HC、MCI vs. HC、pMCI vs. sMCI分類的結果表明,高斯過程分步分類的分類性能要優(yōu)于常規(guī)高斯過程分類和SVM分類。

        為驗證高斯過程分步分類方法對AD診斷的有效性,本研究僅利用了結構性磁共振腦影像數據;后續(xù)工作將加入FDG-PET等其他模態(tài)數據,以進一步提高對阿爾茨海默病計算機輔助診斷的性能。

        猜你喜歡
        后驗訓練樣本協(xié)方差
        基于對偶理論的橢圓變分不等式的后驗誤差分析(英)
        人工智能
        貝葉斯統(tǒng)計中單參數后驗分布的精確計算方法
        一種基于最大后驗框架的聚類分析多基線干涉SAR高度重建算法
        雷達學報(2017年6期)2017-03-26 07:53:04
        寬帶光譜成像系統(tǒng)最優(yōu)訓練樣本選擇方法研究
        融合原始樣本和虛擬樣本的人臉識別算法
        電視技術(2016年9期)2016-10-17 09:13:41
        基于稀疏重構的機載雷達訓練樣本挑選方法
        不確定系統(tǒng)改進的魯棒協(xié)方差交叉融合穩(wěn)態(tài)Kalman預報器
        自動化學報(2016年8期)2016-04-16 03:38:55
        一種基于廣義協(xié)方差矩陣的欠定盲辨識方法
        基于貝葉斯后驗模型的局部社團發(fā)現
        国产熟女露脸大叫高潮| 亚洲综合自拍偷拍一区| 摸丰满大乳奶水www免费| 日本xxxx色视频在线播放| 亚洲中文字幕无码卡通动漫野外| 精品人妻久久av中文字幕| 极品av一区二区三区| 亚洲av无码专区在线播放| 欧美中文字幕在线| 女人一级特黄大片国产精品 | 亚洲中字幕永久在线观看| 亚洲av一区二区在线| 亚洲av永久无码精品古装片| 成熟人妻av无码专区| 欧美日一本| 中文字幕亚洲一二三区| 日本少妇高潮喷水xxxxxxx| 久久综合给合久久狠狠狠97色69| 国产aⅴ丝袜旗袍无码麻豆| 精品人妻69一区二区三区蜜桃| 国产md视频一区二区三区| 精品三级久久久久久久电影| 久久精品国产亚洲av热九| 亚洲精品中文字幕一二三区| 午夜成人鲁丝片午夜精品| 一级一级毛片无码免费视频| 亚洲一区二区岛国高清| 欧美老肥妇做爰bbww| 中文字幕影片免费在线观看| 在线观看视频日本一区二区三区| 粉嫩av最新在线高清观看| 被黑人猛躁10次高潮视频| 国产精品玖玖玖在线资源| 亚洲乱码av中文一区二区第八页| 亚洲av国产av综合av卡| 亚洲一区二区三区偷拍女厕| 久久精品国产亚洲av热九| 亚洲国产精品美女久久| 中文字幕无码不卡一区二区三区| av天堂线上| 91日韩东京热中文字幕|