随着医学影像数据的不断发展,纵向数据分析逐渐成为了解和跟踪阿尔茨海默病(Alzheimer’s disease, AD)发病过程的重要研究方向。目前已经提出了许多纵向数据分析方法,其中多任务学习得到广泛应用,它能够集成多个时间点的影像数据,提高模型的泛化能力。大多数现有的方法能够识别不同时间点的共享特征,但这些特征中会包含一定的噪声。与此同时,不同时间点进展的潜在关联仍未得到充分的探索。本文提出了一种基于参数分解和关系诱导的多任务学习(Parameter decomposition and relation-induced multi-task learning, PDRIMTL)方法,以此从纵向数据中识别特征。该方法不仅能够识别去除噪声后的共享特征,提高共享特征的鲁棒性,而且能够对不同时间点的内在关联进行建模。结果表明,在不同时间点的结构磁共振成像(Structural magnetic resonance imaging,sMRI)数据上,该模型能够有效提高对AD鉴别的准确性。
来源出处
基于噪声混淆增强特征鲁棒性的脑疾病预测
http://sjcj.nuaa.edu.cn/ch/reader/view_abstract.aspx?file_no=202204007&flag=1
相关内容
发布日期
12/12/2023 - 01:18
发布日期
01/21/2024 - 12:12
发布日期
06/17/2022 - 10:21
发布日期
06/17/2022 - 10:21
发布日期
01/10/2022 - 19:31
发布日期
01/22/2024 - 01:44
发布日期
06/17/2022 - 10:21
发布日期
08/23/2024 - 19:21
发布日期
06/17/2022 - 10:21
发布日期
08/18/2024 - 19:19
发布日期
08/04/2020 - 01:35
发布日期
06/17/2022 - 10:21
发布日期
08/04/2020 - 01:35
发布日期
06/17/2022 - 10:21
发布日期
09/10/2023 - 22:37
发布日期
10/31/2021 - 01:12
发布日期
10/31/2021 - 01:48
发布日期
06/17/2022 - 10:21
发布日期
10/12/2023 - 23:10
发布日期
08/04/2020 - 01:35