基于遷移學習的多模態(tài)腦圖像分析及其應用研究.pdf

1、腦疾病的早期診斷和干預，對于其治療和相關藥物的研究，都具有十分重要的意義。采用腦圖像檢測是目前使用較廣泛的腦疾病早期診斷方法。近年來，機器學習被廣泛地應用于腦圖像分析中。然而，當前大多數(shù)基于機器學習的腦圖像分析研究主要集中于在多模態(tài)圖像上設計監(jiān)督學習算法與模型，且訓練集樣本大多來自同一學習領域。為了充分利用相關學習領域的先驗知識，遷移學習被提出并能較好地解決此類學習問題。本文基于多模態(tài)腦圖像與生物標志，同時結合相關領域的先驗信息，提出了

2、基于遷移學習的多模態(tài)分類、回歸方法。本文的創(chuàng)新性研究工作主要有：
　?。?）為充分利用相關學習領域的先驗知識，提出了多模態(tài)領域遷移學習分類模型。首先，為了找出多領域共同有效的特征子集，根據(jù)組稀疏化正則化方法，設計了領域遷移學習特征選擇方法DTFS。然后，為了同時移除多模態(tài)多領域訓練集中所包含的帶噪聲的或不相干的樣本，結合交叉領域核與組稀疏正則化方法，提出了多模態(tài)領域遷移學習樣本選擇方法DTSS。最后，為了利用多模態(tài)之間互補信息以及

3、多領域之間的相關信息，根據(jù)自適應支持向量機和多核學習，提出了多模態(tài)領域遷移學習支持向量機DTSVM。在標準數(shù)據(jù)集ADNI上實驗驗證了該分類模型的性能。
　?。?）為充分利用多模態(tài)相關學習領域結合未標記數(shù)據(jù)的先驗知識，提出了流形正則化的多模態(tài)遷移學習分類模型M2TL。首先，為了利用多領域的相關性知識并且降低領域之間數(shù)據(jù)分布的差異性，構建基于交叉領域核的均值差異最大化準則（KMMD）。然后，為了有效利用標記樣本與未標記樣本之間數(shù)據(jù)分布

4、的結構信息，構建基于交叉領域核的流形正則化項。接著，為了同時移除多模態(tài)多領域訓練集中含噪聲的、不相關的樣本，引入組稀疏正則化項，再結合KMMD準則與流形正則化項，將傳統(tǒng)的半監(jiān)督流形正則化最小二乘法分類模型，擴展為M2TL分類模型。在標準數(shù)據(jù)集ADNI上實驗驗證了M2TL分類模型的性能。
　?。?）為了精確診斷腦疾病患者臨床疾病階段，提出了半監(jiān)督多模態(tài)遷移學習相關向量機回歸算法SM-RVR。首先，為了獲取多模態(tài)之間互補性判別信息，根

5、據(jù)多核學習技術，提出了多模態(tài)相關向量機回歸方法M-RVR。由于獲取標記樣本通常是昂貴且費時，我們將M-RVR擴展為SM-RVR。然后，設計了多模態(tài)k-近鄰法，用于估計未標記樣本的目標變量值。接著，為了找出最有效的未標記樣本，設計了基于M-RVR的樣本選擇算法。最后，結合選擇出的未標記樣本，采用M-RVR估計測試樣本的目標變量值，以此來診斷患者臨床疾病階段。在標準數(shù)據(jù)集ADNI上實驗驗證了SM-RVR回歸模型的性能，并表明SM-RVR對精

6、確診斷腦疾病患者臨床疾病階段具有較大的潛力。
　?。?）為充分利用多標記多相關學習領域的先驗知識，提出了基于多模態(tài)的多領域多標記遷移學習模型MDML。首先，為了利用不同標記組之間的相關性信息，同時又保留各標記組自身判別信息，根據(jù)稀疏Lasso特征學習和多標記學習框架，構建多標記稀疏group-Lasso特征選擇模型。然后，為利用多領域的相關性知識，引入遷移學習思想，構建多領域多標記遷移特征學習模型。最后，為了利用多模態(tài)之間的互補信