陈璐 1 , 施俊 1 , 彭博 2 , 戴亚康 2
  • 1. 上海大学 上海先进通信与数据科学研究院 通信与信息工程学院(上海  200444);
  • 2. 中国科学院苏州生物医学工程技术研究所(江苏苏州  215163);
导出 下载 收藏 扫码 引用

特征表达是基于磁共振成像(MRI)的帕金森病(PD)计算机辅助诊断系统诊断准确性的重要决定因素。深度多项式网络(DPN)是一种新的有监督深度学习算法,对于小数据集具有良好的特征表达能力。本文提出一种面向 PD 计算机辅助诊断的栈式 DPN(SDPN)集成学习框架,以有效提高基于小数据的 PD 辅助诊断准确性。本框架对所提取的 MRI 特征的每一个特征子集分别通过 SDPN 得到新的特征表达,然后采用支持向量机(SVM)对每个子集进行分类,再对所有分类器进行集成学习,得到最终的 PD 诊断结果。通过对公开的帕金森病数据库 PPMI 进行实验,基于脑网络特征的分类精度、敏感度和特异性分别为 90.15%、85.48% 和 93.27%;而基于多视图脑区特征的分类精度、敏感度和特异性分别为 87.18%、86.90% 和 87.27%。与在 PPMI 数据库中的 MRI 数据集进行实验的其他算法研究相比,本文所提出的算法获得了更好的分类结果。本文研究表明了所提出的 SDPN 集成学习框架的有效性,具有应用于 PD 计算机辅助诊断的可行性。

引用本文: 陈璐, 施俊, 彭博, 戴亚康. 基于栈式深度多项式网络集成学习框架的帕金森病计算机辅助诊断. 生物医学工程学杂志, 2018, 35(6): 928-934, 942. doi: 10.7507/1001-5515.201709030 复制

  • 上一篇

    双组分快速固化生物软组织黏合剂的研制
  • 下一篇

    基于AdaBoost算法的药物—靶向蛋白作用预测算法