XiaoMi-AI文件搜索系统
World File Search SystemIsomap
使用无监督机器学习自动跟踪多发性硬化症中的主动病变
摘要：背景：在磁共振成像 (MRI) 中识别活动性病变对于多发性硬化症 (MS) 的诊断和治疗计划至关重要。在施用钆基造影剂 (GBCA) 后，可以识别 MRI 上的活动性病变。然而，最近的研究报告称，重复施用 GBCA 会导致 Gd 在组织中积聚。此外，施用 GBCA 会增加医疗保健成本。因此，减少或取消用于活动性病变检测的 GBCA 施用对于提高患者安全性和降低医疗保健成本非常重要。目前，无需施用 GBCA 即可识别脑部 MRI 中的活动性病变的最先进方法利用数据密集型深度学习方法。目标：实现数据密集度较低的非线性降维 (NLDR) 方法、局部线性嵌入 (LLE) 和等距特征映射 (Isomap)，用于自动识别 MS 患者脑部 MRI 上的活动性病变，而无需施用造影剂。材料和方法：本研究中使用的多参数 MRI 数据集包括液体衰减反转恢复 (FLAIR)、T2 加权、质子密度加权以及对比前后 T1 加权图像。减影前后对比 T1 加权图像由专家标记为活动性病变 (地面真实值)。使用无监督方法 LLE 和 Isomap 将多参数脑 MR 图像重建为单个嵌入图像。在嵌入图像上识别活动性病变并将其与地面真实病变进行比较。通过计算嵌入图像中观察到的和识别出的活动性病变之间的 Dice 相似性 (DS) 指数来评估 NLDR 方法的性能。结果：LLE 和 Isomap 应用于 40 名 MS 患者，分别获得 0.74 ± 0.1 和 0.78 ± 0.09 的中位 DS 评分，优于目前最先进的方法。结论：NLDR 方法、Isomap 和 LLE 是识别非对比图像上活动性 MS 病变的可行选择，并且可能用作临床决策工具。
机器学习
单元 – 第一线性模型多层感知器 – 向前 – 向后：反向传播误差 – 实践中的多层感知器 – 使用 MLP 的示例 – 概述 – 推导反向传播 – 径向基函数和样条 – 概念 – RBF 网络 – 维数灾难 – 插值和基函数 – 支持向量机单元 – 第三树和概率模型用树学习 – 决策树 – 构建决策树 – 分类和回归树 – 集成学习 – 提升 – 装袋 – 组合分类器的不同方法 – 概率和学习 – 数据转化为概率 – 基本统计 – 高斯混合模型 – 最近邻方法 – 无监督学习 – K 均值算法 – 矢量量化 – 自组织特征映射。单元 – IV 降维和进化模型 降维 – 线性判别分析 – 主成分分析 – 因子分析 – 独立成分分析 – 局部线性嵌入 – Isomap – 最小二乘优化 – 进化学习 – 遗传算法 – 遗传后代：- 遗传算子 – 使用遗传算法 – 强化学习 – 概述 – 迷路示例 – 马尔可夫决策过程 单元 – V 图形模型 马尔可夫链蒙特卡罗方法 – 抽样 – 提案分布 – 马尔可夫链蒙特卡罗 – 图形模型 – 贝叶斯网络 – 马尔可夫随机场 – 隐马尔可夫模型 – 跟踪方法。
几何形状的数据表示
在许多应用中，尤其是在生物医学和气候研究中，可访问数据的数量和多样性已经达到了前所未有的水平，提供了一个独特的机会，可以深入了解这些复杂系统。但是，这种数据激增带来了重大挑战。的确，现代数据科学的特征越来越多地是对高维多模式数据集进行的研究，在这些数据集中，每个数据样本的几个特征可能无关紧要（例如，由于腐败或其他特征组合的线性相关性而导致的），或者是在分辨率和收购策略中的多样性策略来构建策略的多样性。例如，最近，艾伦·图灵研究所（Alan Turing Institute）举办了一系列的研讨会，分析了丢失数据的性质，并指出它可以归因于各种现象，包括多模式链接，批处理失败或人口异质性[8]。为了表征和解决现代数据集的挑战，已经开发了各种数据表示，包括低维投影，矩阵分解和图表表示。尤其是，图形嵌入被证明是一个非常强大的工具，可以编码拓扑网络信息，并提供有关基础数据几何形状的见解。由于图可以被视为平滑歧管的离散（零维）对应物，因此可以将图形嵌入被视为降低歧管维度降低的特殊情况，也称为歧管学习。图形嵌入在首先通过学习/构造足够的图表表示，然后将其投影到较低维度的几何空间，通常是歧管，例如欧几里得空间（R n）或超纤维空间。在过去20年中，流形学习取得了重大进步，导致了能够嵌入复杂几何形状和非线性关系的广泛有效方法的发展，尤其是ISOMAP [12]，T-SNE [13]和UMAP [7]。最近，出现了新的流形学习策略，该策略并不依赖于数据位于submanifold上的假设，即所谓的“流动假设”，而是通过做出嵌入流层的前提选择来明确地将学习/归纳偏见编纂。这些最新的嵌入旨在匹配成对距离，并且在嵌入式上呈弯曲的曲率与节点的曲率信息匹配。以这种方式，所得的下二歧管嵌入能够总结嵌入式节点的配置以及图结构属性。值得注意的是，它们在多样化的研究领域中得到了相当成功的运用[9、5、14、10、3、4]，因为它们使我们能够利用图理论，拓扑数据分析和差异几何形状中的工具来促进各种任务的完成，包括链接预测，网络重构，网络重构和node Clustering [2]。