基于機(jī)器學(xué)習(xí)的腦網(wǎng)絡(luò)分析及其應(yīng)用研究.pdf

1、近年來(lái)，隨著成像設(shè)備的發(fā)展和普及，從神經(jīng)影像中學(xué)習(xí)腦的連接特性，開(kāi)展基于腦網(wǎng)絡(luò)的疾病診斷受到廣泛關(guān)注。機(jī)器學(xué)習(xí)由于能夠從數(shù)據(jù)中自動(dòng)分析獲得規(guī)律，并利用規(guī)律對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)，已成為一個(gè)新的研究熱點(diǎn)。本論文基于機(jī)器學(xué)習(xí)的最新研究進(jìn)展，圍繞腦網(wǎng)絡(luò)分析中的三個(gè)方面：腦網(wǎng)絡(luò)的特征學(xué)習(xí)、腦網(wǎng)絡(luò)的相似性計(jì)算和腦網(wǎng)絡(luò)的構(gòu)建，開(kāi)展研究工作。主要工作和創(chuàng)新點(diǎn)如下：
　　1.為充分利用腦網(wǎng)絡(luò)局部和整體上的拓?fù)浣Y(jié)構(gòu)信息，提出一種基于拓?fù)浣Y(jié)構(gòu)的結(jié)構(gòu)化特征

2、選擇方法RFE-GK。具體而言：首先，引入圖核計(jì)算腦網(wǎng)絡(luò)數(shù)據(jù)之間的相似性，使選擇的特征既利用網(wǎng)絡(luò)的局部測(cè)量特性，又保留網(wǎng)絡(luò)的整體拓?fù)浣Y(jié)構(gòu)信息。進(jìn)一步，為了反映腦網(wǎng)絡(luò)的多層次拓?fù)浣Y(jié)構(gòu)特性，采用多閾值的方法閾值化腦網(wǎng)絡(luò)。最終，采用多核SVM技術(shù)融合多層次的網(wǎng)絡(luò)拓?fù)涮匦浴?shí)驗(yàn)結(jié)果表明，提出的方法不僅能顯著提高學(xué)習(xí)算法的泛化能力和分類性能，而且對(duì)檢測(cè)出可能對(duì)疾病敏感的腦區(qū)和功能性連接表現(xiàn)了一定的潛力。
　　2.為充分利用模態(tài)之間內(nèi)在的相關(guān)

3、性以及模態(tài)數(shù)據(jù)自身的分布信息，提高多模態(tài)數(shù)據(jù)的分類性能，提出一種基于流形正則化的多任務(wù)特征選擇方法M2TFS。具體而言：考慮到不同模態(tài)的特征對(duì)應(yīng)著相同的基礎(chǔ)病理，首先利用組稀疏化項(xiàng)，保證只有少數(shù)的特征能被聯(lián)合地從多模態(tài)數(shù)據(jù)中選取。其次，引入一個(gè)流形正則化項(xiàng)，保留了模態(tài)數(shù)據(jù)的分布信息，從而幫助誘導(dǎo)出更具有判別力的特征。進(jìn)一步，將提出的模型推廣到半監(jiān)督情況，即：semi-M2TFS，實(shí)踐當(dāng)中這也是非常重要的，由于獲得標(biāo)簽數(shù)據(jù)（即疾病的診斷）

4、通常是昂貴且費(fèi)時(shí)，而采集模態(tài)數(shù)據(jù)則是相對(duì)容易。最后利用APG算法解決優(yōu)化的問(wèn)題。與已有的多任務(wù)特征學(xué)習(xí)方法不同的是，提出的方法充分利用了模態(tài)數(shù)據(jù)的分布信息，從而獲得了更好的分類性能。在腦網(wǎng)絡(luò)數(shù)據(jù)集和ADNI數(shù)據(jù)集上實(shí)驗(yàn)驗(yàn)證了提出方法的性能。
　　3.為充分利用腦網(wǎng)絡(luò)數(shù)據(jù)自身的特點(diǎn)，如：網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)都具有唯一性（即唯一對(duì)應(yīng)著一個(gè)神經(jīng)元或腦區(qū)），并保留網(wǎng)絡(luò)的局部結(jié)構(gòu)特征，提出一種面向腦網(wǎng)絡(luò)的新型圖核，用于計(jì)算腦網(wǎng)絡(luò)的相似性。具體就是

5、：首先，以腦網(wǎng)絡(luò)中每一個(gè)節(jié)點(diǎn)為中心，構(gòu)建一組子網(wǎng)絡(luò)來(lái)反映網(wǎng)絡(luò)的多層次局部拓?fù)浣Y(jié)構(gòu)特性。而后，利用節(jié)點(diǎn)的唯一性和不同網(wǎng)絡(luò)之間節(jié)點(diǎn)的一一對(duì)應(yīng)性，構(gòu)建測(cè)量每對(duì)子網(wǎng)組相似性的函數(shù)，最終獲得用于測(cè)量一對(duì)腦網(wǎng)絡(luò)相似性的圖核。在兩個(gè)腦網(wǎng)絡(luò)數(shù)數(shù)據(jù)集上，實(shí)驗(yàn)結(jié)果表明，相比較已有的圖核，提出圖核能有效地刻畫(huà)腦網(wǎng)絡(luò)數(shù)據(jù)的相似性并提高腦網(wǎng)絡(luò)分類的性能。
　　4.為刻畫(huà)多個(gè)腦區(qū)間高階交互關(guān)系，提高腦網(wǎng)絡(luò)分類的性能，提出一種基于超圖的腦網(wǎng)絡(luò)構(gòu)建方法，即：超網(wǎng)

6、絡(luò)。具體就是：首先，基于fMR圖像時(shí)間序列，利用稀疏學(xué)習(xí)技術(shù)來(lái)構(gòu)建超網(wǎng)絡(luò)。其次，從構(gòu)建的超網(wǎng)絡(luò)中提取三種聚類系數(shù)作為特征用于分類?？紤]到這些聚類系數(shù)特征內(nèi)在的相關(guān)性，且可能包含互補(bǔ)的信息來(lái)提高分類的性能，采用了上面提出的M2TFS方法聯(lián)合地進(jìn)行特征選擇。最后，利用多核SVM技術(shù)融合三種聚類系數(shù)特征并執(zhí)行分類。提出的方法提供了一種完全不同以往的腦網(wǎng)絡(luò)構(gòu)建方法。實(shí)驗(yàn)結(jié)果表明基于超網(wǎng)絡(luò)的方法能夠獲得更好的分類性能，以及發(fā)現(xiàn)一些潛在的與疾病相關(guān)