文献

J-GLOBAL ID：201702297009146303   整理番号：17A1062629

進行性グラフベーストランスダクティブ学習による神経変性疾患のマルチモーダル分類【Powered by NICT】

Multi-modal classification of neurodegenerative disease by progressive graph-based transductive learning

著者 (10件)： Wang Zhengxia (Department of Information Science and Engineering, Chongqing Jiaotong University, Chongqing, 400074, PR China) ,  Wang Zhengxia (Department of Radiology and BRIC, University of North Carolina at Chapel Hill, NC 27599, USA) ,  Wang Zhengxia (Department of Automation, Chongqing University, Chongqing, 400044, PR China) ,  Zhu Xiaofeng (Department of Radiology and BRIC, University of North Carolina at Chapel Hill, NC 27599, USA) ,  Zhu Xiaofeng (Department Computer Science and Information Engineering, Guangxi Normal University, Guilin, 541004, PR China) ,  Adeli Ehsan (Department of Radiology and BRIC, University of North Carolina at Chapel Hill, NC 27599, USA) ,  Zhu Yingying (Department of Radiology and BRIC, University of North Carolina at Chapel Hill, NC 27599, USA) ,  Nie Feiping (School of Computer Science and Center for OPTical IMagery Analysis and Learning (OPTIMAL), Northwestern Polytechnical University, Xi’an 710072, Shaanxi, PR China) ,  Munsell Brent (Department of Computer Science, College of Charleston, Charleston, SC 29424, USA) ,  Wu Guorong (Department of Radiology and BRIC, University of North Carolina at Chapel Hill, NC 27599, USA)
資料名： Medical Image Analysis  (Medical Image Analysis)
巻： 39  ページ： 218-230  発行年： 2017年 
JST資料番号： W3156A  ISSN： 1361-8415  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： グラフベーストランスダクティブ学習(GTL)は十分な訓練データが利用できない場合に使用されている強力な機械学習技術である。特に,従来のGTLの手法は,第1の特徴領域,訓練データから知られている表現型データ(すなわち,臨床スコアとラベル)を伝搬するラベル領域における試験データに使用できるボクセル強度値の類似性に基づいていることを固定被験者間関係グラフを構築した。型グラフの特徴領域において学習されたのみであり,主に観察された特徴の異常値のために,標識領域におけるラベル伝搬のための最適ではないかもしれない。この限界に対処するために,進行性GTL(pGTL)法は表現型データと画像の特徴を整列より正確に固有データ表現を徐々にことを提案した。・一般的に,最適な特徴表現型配列は,反復アプローチを用いて達成された。(1)標識領域における学習固有データ表現を用いた特徴領域で観察された被験者間関係を微細化し,(2)は微細化した被験者間関係から固有データ表現を更新し,(3)試験データに適用した場合,最適分類を保証する訓練データに対する固有データ表現を検証した。さらに,反復アプローチはpGTL分類精度をさらに改善するために,マルチモーダル画像データに拡張した。アルツハイマー病とパーキンソン病研究データを用いて,提案したpGTL法の分類精度は,いくつかの最新の分類法と比較し,その結果はpGTLはこれらの二データセットの被験者を同定し,異なる進行段階でも,より正確にできることを示した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 異常値 ,  データ表現 ,  ボクセル ,  類似性 ,  表現型 ,  *学習 ,  *多モード ,  Alzheimer病 ,  画像 ,  精密化
準シソーラス用語： 分類精度 ,  ラベル伝搬 ,  被験者 ,  訓練データ ,  *トランスダクティブ学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： グラフベーストランスダクティブ学習(GTL) ,  マルチモダリティ ,  固有表現 ,  コンピュータ支援診断

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： グラフ ,  トランスダクティブ学習 ,  神経変性疾患 ,  マルチモーダル ,  分類