文献

J-GLOBAL ID：201802223624578116   整理番号：18A1255775

不完全マルチモーダルデータのためのマルチハイパーグラフ学習【JST・京大機械翻訳】

Multi-Hypergraph Learning for Incomplete Multimodality Data

著者 (4件)： Liu Mingxia (Department of Radiology and BRIC, University of North Carolina at Chapel Hill, Chapel Hill, NC, USA) ,  Gao Yue (Department of Radiology and BRIC, University of North Carolina at Chapel Hill, Chapel Hill, NC, USA) ,  Yap Pew-Thian (Department of Radiology and BRIC, University of North Carolina at Chapel Hill, Chapel Hill, NC, USA) ,  Shen Dinggang (Department of Radiology and BRIC, University of North Carolina at Chapel Hill, Chapel Hill, NC, USA)
資料名： IEEE Journal of Biomedical and Health Informatics  (IEEE Journal of Biomedical and Health Informatics)
巻： 22  号： 4  ページ： 1197-1208  発行年： 2018年 
JST資料番号： W1135A  ISSN： 2168-2194  CODEN： IJBHA9  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： マルチモダリティデータは,病気診断における予測モデルの精度を改善するために使用できる相補的情報を伝達する。しかし,特にデータが不完全な場合には,多重モダリティデータを効果的に統合することは困難な問題である。例えば,アルツハイマー病神経画像主導(ADNI)データベースにおける被験者の半分以上は,フルオロデオキシグルコース陽電子放出断層撮影と脳脊髄液データを持たない。現在,不完全データの問題を扱うために2つの一般的に使用される戦略がある。1)欠落した特徴を持つ廃棄物;そして,2)特定の技術を通してそれらの欠測値を妨害する。第1のケースでは,かなりの量の有用な情報が失われ,第2のケースでは,付加的な雑音とアーチファクトがデータに導入される。また,以前の研究は,それらの基礎となる複雑性(例えば高次)関係を考慮することなく,被験者間のペアワイズ関係に焦点を合わせている。これらの問題を扱うために,本論文では,不完全なマルチモダリティデータを扱うためのマルチハイパーグラフ学習法を提案した。具体的には,まず,複数のハイパーグラフを構築し,それらのデータモダリティの利用可能性に従って,それらをいくつかのグループに分割することにより,被験者間の高次関係を表現する。脳疾患の自動診断のために,これらのグループにハイパーグラフ正規化変換学習法を適用した。ベースラインADNIデータベースにおけるすべての被験者を用いた提案方法の広範囲な評価は,著者らの方法が最先端の方法と比較して,AD/MCI分類において有望な結果を達成することを示した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： データベース ,  雑音 ,  Alzheimer病 ,  予測モデル ,  PET【トモグラフィー】 ,  アーチファクト ,  *学習 ,  正規化 ,  *超グラフ
準シソーラス用語： 自動診断 ,  複雑性 ,  欠測値 ,  不完全データ ,  被験者 , 【Automatic Indexing@JST】

分類 (3件)： 医用情報処理  (JE15030Q) ,  医用画像処理  (JE04020T) ,  生体遠隔測定  (EL03030N)

物質索引 (1件)： フルオロデオキシグルコース

タイトルに関連する用語 (4件)： マルチモーダル ,  マルチ ,  ハイパーグラフ ,  学習