典型文献
基于噪声混淆增强特征鲁棒性的脑疾病预测
文献摘要：
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.
文献关键词：
阿尔茨海默病;多任务学习;参数分解;关系诱导正则化;纵向数据
中图分类号：
作者姓名：
郝小可;谭麒豪;李家旺;郭迎春;于明
作者机构：
河北工业大学人工智能与数据科学学院,天津300401
文献出处：
引用格式：
[1]郝小可;谭麒豪;李家旺;郭迎春;于明-.基于噪声混淆增强特征鲁棒性的脑疾病预测)[J].数据采集与处理,2022(04):776-786
A类：
PDRIMTL,关系诱导正则化
B类：
脑疾病,疾病预测,医学影像,影像数据,纵向数据,阿尔茨海默病,Alzheimer,disease,AD,数据分析方法,多任务学习,习得,泛化能力,不同时间点,共享特征,参数分解,Parameter,decomposition,relation,induced,multi,task,learning,识别特征,除噪声,内在关联,结构磁共振成像,Structural,magnetic,resonance,imaging,sMRI
AB值：
0.345478
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
