基于网络拓扑特性的MCI分类

阿尔茨海默氏病(Alzheimer's disease,AD)和轻度认知障碍(Mild cognitive impairment,MCI)是经常发生在老年人中的脑疾病,其主要表现为认知和智力的障碍.机器学习和模式识别方法已经被应用到对AD和MCI的诊断和分类中.最近,研究人员提出利用大脑连接网络实现对疾病的诊断和分类.大部分的研究主要集中在网络中提取一些局部的特性(如聚类系数),并利用机器学习的方法(如支持向量机)来实现对疾病的分类.然而,存在的研究表明AD以及MCI是和一个大规模的脑连接网络相关,而不仅是大脑的若干区域.因此,本文提出一种新的基于网络整体拓扑结构信息的分类方法,并将其用于对MCI疾病的分类.实验结果表明,本文的方法能够对分类结果有重要的改进.     

脑白质损伤分割方法比较和策略改进

当前对白质损伤分割研究的缺陷就是不能真正用于实时分割任务,其主要原因是所用特征的表现性能较低.针对此问题,提出了新的数据处理方法和损伤分割特征.方法通过划分数据减少处理数据量的同时采用分治策略,区分处理白质灰质区域,从而改善了整体白质损伤分割的性能.在ACCORD-MIND MRI数据集上,使用SVM分类器将该新特征和传统特征的分割性能作了比较.实验结果表明,该特征在白质损伤分割中优于传统的特征,并能获得较好的分割结果和较快的分割速度.     

钟罩式风帽在DG 450 t/h循环流化床锅炉的应用

针对DG 450 t/h循环流化床锅炉原设计"Γ"型定向风帽和"┬"型风帽固有的磨损、漏渣等问题,结合煤质、运行工况、布风板特性等实际情况进行原因分析,选择将床上风帽全部更换为钟罩式风帽的方案,并用试验数据和实际运行状况说明钟罩式风帽的应用效果。     

基于机器学习的超声造影分析综述

超声造影（Contrast-enhanced ultrasound, CEUS）通过外周静脉注入超声造影剂,显著增强来自肿瘤微血管的血流信号,便于临床医生以实时、动态的方式评估肿瘤血管生成、周边浸润等,广泛应用于多器官病变诊断、预后评估和治疗方案规划等方面。近年来,以深度学习为代表的机器学习方法快速发展,为动态超声造影智能分析带来新的机遇。深度学习方法很大程度上拓宽了超声造影临床应用范围,提高了其诊疗效能。但与常规超声影像类似,超声造影仍然存在斑点噪声、呼吸运动干扰和标准化程度低等问题,使得动态灌注时间、空间信息挖掘面临挑战。本文系统性回顾了近年来超声造影智能分析相关工作,涵盖良恶性鉴别、恶性分级、疗效预测和诊疗方案选择等方面应用,总结了当前影像组学及深度学习方法在超声造影分析领域的最新进展,并指出当前研究的局限性和未来发展方向。     

基于代价敏感Faster R-CNN的脑CT影像出血诊断方法

脑出血是一种在患者颅内突然发生的重急症,常伴随有强烈的症状和较高致死率,基于脑CT影像对脑出血进行自动化快速诊断具有重要意义。其中,临床上有效应用的实现不仅要求诊断结果的准确性、诊断速度和结果解释能力,尤其要重视出血漏检情形。因此本文提出代价敏感的Faster R-CNN模型,通过自动调节模型中锚的训练样本比例以及在损失函数中引入衡量阳性样本重要性的超参数等方式,更多地关注阳性样本和漏检情形提升检测效果,最后通过定位的具体目标区域来诊断脑内出血情况。经多次实验选择性能最优的网络结构和合适的超参数,利用多项指标度量最终模型的检测和诊断效果。实验结果表明,代价敏感的Faster R-CNN方法能够从减少漏检的角度上更好地识别出血区域,进而提高不平衡代价下的脑出血诊断效果。     

一般化的灰SOM模型及其性能评估

自组织特征映射是Kohonen提出的一种人工神经网络模型，它能把高维的信息数据以有序方式映射到低维空间上，形成一种拓扑意义上的有序图，但其权值的调整仅考虑了学习率及输入模式与获胜神经元及其邻域，却忽略了输入模式分量与全体参与竞争的神经元权值向量间的某种相关关系。Hu等人利用灰关系系数(GRC)的描述方法显式地刻画这种关系。尽管如此，但GRC仍忽略了输入模式与所有参与竞争的神经元权值间的整体描述关系。该文通过在GRC中引入该整体关系，提出了一个一般化的灰关系模型G^2SOM，并将GSOM作为其特例，进而侧重就三种特殊的函数关系进行了性能评估，最后，通过实验验证了G^2SOM的有效性与可行性。     

拉普拉斯加权聚类算法

 本文提出了一种用于聚类分析的加权聚类算法,通过利用拉普拉斯权,将聚类对象之间的结构信息自动转换为对象的权重.由于拉普拉斯权能够描述数据的邻域结构,从而能够更好的聚类.该加权聚类算法在性能上比经典聚类算法有较大改进,还具有对孤立点鲁棒、适合类别不平衡数据聚类、对聚类个数不敏感等优点.人工数据集以及UCI标准数据集上的实验证实了本文算法的可行性和有效性.     

基于约束的典型相关分析集成学习算法

基分类器的差异性对于集成学习来说至关重要,从直观上讲,对约束重采样有潜力获得比对样本重采样更好的多样性。文中在典型相关分析算法基础上,通过引入成对约束作为监督信息对样本进行特征抽取从而形成新的训练数据。算法中集成学习的思想主要体现在成对约束的选取上,对约束进行随机重采样以获得具有多样性的基分类器。在多特征手写体数据集以及人脸数据集(Yale和AR)上进行实验考察该算法随选取的约束比例变化的情况,结果表明该方法获得比传统集成学习方法更好的性能。     

知识保持的嵌入方法

考虑了一种带有数据领域知识的降维问题。这里领域知识是指关于数据的一些额外监督信息,如类别标号以及比标号弱的样本间相似性和不相似性约束等。其中,约束可以从标号中产生,但反过来从约束中却得不到标号信息,因而约束比标号更一般。另外,在图像检索等实际应用中,约束比标号更容易获取。鉴于此,本文主要研究基于约束的降维问题。提出了一种有效利用约束进行降维的约束保持嵌入算法（constraint preserving embedding, COPE）,将其纳入到图嵌入统一框架之中并指出与同类方法的关系。进一步,通过引入无标记样本提出了半监督COPE算法;提出核COPE以揭示数据中的非线性结构。最后,在人脸识别、图像检索及半监督聚类等一系列实验中的结果验证了算法的有效性。     

基于判别性子图重构的轻微肝性脑病分类*

大量研究表明轻微肝性脑病(MHE)与脑功能网络的异常相关,但难于寻找与MHE相关的异常子网络。为了解决这个问题,文中提出判别性子图重构的方法用于寻找与MHE相关的子网络,并将子网络用于MHE的分类。首先分别从MHE病人和非MHE(NMHE)病人的功能网络中挖掘一组频繁子图。然后,从频繁子图中挑选判别性子图用于重构原网络,并将判别性子图合并用于重构原网络。最后,使用图核计算重构网络之间的相似性,并使用核SVM分类。在包括77位肝硬化病人的数据集上的实验获得较高的分类精度,从而验证方法的有效性。