基于隨機(jī)結(jié)構(gòu)稀疏的磁共振腦影像數(shù)據(jù)的特征選擇算法.pdf

1、目前，稀疏優(yōu)化算法近來是學(xué)術(shù)界研究的熱點(diǎn)之一，被廣泛應(yīng)用于自然圖像處理、信號壓縮感知、計算機(jī)視覺和醫(yī)學(xué)影響處理領(lǐng)域。與此同時，稀疏編碼與正則化的方法在醫(yī)學(xué)影像分析領(lǐng)域被用來解決很多問題，例如，圍繞人類大腦MRI數(shù)據(jù)針對正常人腦不同的狀態(tài)進(jìn)行模式識別，或是不同被試的腦部疾病狀況等模式識別問題。但是在MRI數(shù)據(jù)問題當(dāng)中，由于數(shù)據(jù)樣本數(shù)量要遠(yuǎn)遠(yuǎn)少于每個樣本的特征數(shù)目，對該問題的求解往往會產(chǎn)生過擬合的問題，即所謂的維數(shù)災(zāi)難，從而嚴(yán)重影響數(shù)據(jù)分析

2、的質(zhì)量。針對高維小樣本這個挑戰(zhàn)性的任務(wù)，LASSO模型被廣泛應(yīng)用于解決高維變量選擇的問題，以LASSO模型為基線的穩(wěn)定性選擇思想較大程度上的克服了LASSO模型存在的問題，但是針對MRI數(shù)據(jù)本身存在的特點(diǎn)，仍然存在不能有效克服其變量之間的高度相關(guān)性（即多重共線性）、假陰性控制差等問題。
　　本文主要利用稀疏優(yōu)化算法的思想，基于穩(wěn)定性選擇的框架，針對人類大腦MRI數(shù)據(jù)具有局部連續(xù)性和相關(guān)性的特點(diǎn)，尋找先驗(yàn)結(jié)構(gòu)信息，將稀疏概念擴(kuò)展到結(jié)

3、構(gòu)稀疏，對MRI數(shù)據(jù)進(jìn)行約束塊隨機(jī)子采樣，提出了隨機(jī)結(jié)構(gòu)稀疏（Randomized Structural Sparsity，RSS）的算法框架。本文的貢獻(xiàn)為：1提出了一個廣泛實(shí)用的算法框架思想；2在建模階段，尋找并利用數(shù)據(jù)內(nèi)在的結(jié)構(gòu)先驗(yàn)信息；3針對MRI高維小樣本數(shù)據(jù)，在繼承穩(wěn)定性選擇有效控制變量選擇假陽性的基礎(chǔ)之上，顯著提升對假陰性的控制；4與單變量方法（T檢驗(yàn)）和多變量方法進(jìn)行對比實(shí)驗(yàn)，得到的結(jié)果更好，并且具有更高的可解釋性。本文給