基于机器学习的缺失模态影像分类研究

• 作 者: 杜若画
• 出 处: 山东大学
• 发表日期: 2004年期
• 关键词: 核磁共振 脑瘤分类 缺失模态 数据补全

核磁共振技术(MRI,Magnetic Resonance Imaging)可以提供体内组织的高清晰度图像,在医学成像领域中占据着越来越重要的地位。脑部胶质瘤作为一种癌症,是一种恶性肿瘤。在进行胶质瘤分类时,由于不同模态的MRI影像能够反映出肿瘤的不同局部信息,因此医生在诊断时,需要综合多种模态的脑部MRI影像,从而得到最终的分类结果。通过已经由医生标注好的数据,目前已有多种自行分类的方法。遗憾的是,在实际临床数据采集过程中,会遇到很多问题,其中数据丢失成为使用多模态影像进行病理分析的关键阻碍,例如病人在拍片过程中出现头动现象,导致影像出现伪影,该类数据在筛查时会被丢弃,或者病人不愿意配合某项检查,导致该部分的多模态数据缺失。当使用多模态数据训练分类模型时,需要将不完整的病人数据丢弃,造成数据的极大浪费,并减少分析中的样本数量。因此,如何更好地利用观察数据补全缺失数据,从而实现更好的脑瘤分类成为一个非常具有实际意义的问题。目前,针对医学图像的缺失模态问题,主要利用机器学习的方法进行特征数据的补全,本论文以机器学习的方法为基础,针对多模态胶质瘤图像提取到的不完整特征数据,首先提出了一种基于多向延迟嵌入的平滑张量补全算法,然后在全变分低秩补全算法[45]的基础上,提出了基于全变分低秩补全的集成学习算法分类框架,提高了在数据缺失情况下的脑瘤分类准确率。本论文的主要创新和工作主要在以下两个方面:(1)提出了基于多向延迟嵌入的平滑张量补全算法分类框架。该算法在Yokota等人提出的多向延迟嵌入的Tucker分解算法[1]的基础上,对分解模型做了改进。将数据经过多向延迟嵌入操作后,得到折叠后的张量,对折叠后的张量进行平滑张量 CP 分解[2](smoothCANDECOMP/PARAFAC decomposition,SPC),得到补全的张量,最后进行多向延迟嵌入的逆向过程,最终得到补全的数据。改进后的算法弥补了 Tucker分解的不足,分类准确率得到了提升。(2)提出了基于全变分低秩补全的集成学习算法,通过对使用全变分低秩补全算法[3](LRTV)、基于多向延迟嵌入的平滑张量补全(MDT-SPC)算法、多向延迟嵌入的Tucker分解[1](MDT-Tucker)算法补全后的特征数据分别训练基分类器,并使用五折交叉验证进行预测,得到三组新的特征,将新的特征信息与LRTV算法补全的数据进行结合,从而取得了优于传统方法的识别准确率。