一种用于神经疾病的基于体素分析的数据驱动机器学习方法技术

一种用于神经疾病的基于体素分析的数据驱动机器学习方法，包括如下步骤：1)根据对脑区指标的定量测量值进行主成分分析PCA模型训练；2)对所有特征进行提取；3)为所选出的特征选择最佳分类器模型算法；3)预测：对于一个新样本，要去量化所有量化指标对于获取测量值矩阵

A data driven machine learning method based on voxel analysis for neural diseases

For a nerve disease of voxel based data driven machine learning method, which comprises the following steps: 1) according to the quantitative measurement of brain area index values were analyzed by principal component analysis PCA model training; 2) of all the features are extracted; 3) to select the best classifier algorithm for feature selected; 3) prediction for a new sample, to quantify all the quantitative indicators for obtaining measurement matrix

【技术实现步骤摘要】
一种用于神经疾病的基于体素分析的数据驱动机器学习方法
本专利技术涉及计算机图形学下的医学成像、神经解剖学领域，是一种针对大脑神经疾病的，基于体素分析的数据驱动机器学习方法。
技术介绍
定量扩散张量成像(DTI)用于纤维建模，是十分有效的临床应用工具，用于评估损伤的程度和定位神经疾病。但是缺乏不足的分辨率限制了DTI探测更复杂的微结构信息。现有的神经疾病方法通常用于验证疾病的临床猜测，并且难以预测和积极测量涉及这些疾病的脑区。找出有效的区分分类疾病方法是解决问题的关键。
技术实现思路
为了克服现有基于DTI的纤维量化指标一直存在着低精度以及判断结果与疾病临床表现不一致等问题的不足，针对以上两个限制，基于HARDI技术的神经系统疾病，本专利技术提供了一种精度较高的基于体素分析的数据驱动机器学习方法，其中提出了数据驱动的机器学习方法来分析和预测神经系统疾病。本专利技术解决其技术问题所采用的技术方案是：一种用于神经疾病的基于体素分析的数据驱动机器学习方法，包括如下步骤：1)根据对脑区指标的定量测量值进行主成分分析PCA模型训练，过程如下：获得的量化数据组表示为：其中，n代表总的样本数量；代表每个本文档来自技高网...

【技术保护点】
一种用于神经疾病的基于体素分析的数据驱动机器学习方法，其特征在于：包括如下步骤：1)根据对脑区指标的定量测量值进行主成分分析PCA模型训练，过程如下：获得的量化数据组表示为：

【技术特征摘要】
1.一种用于神经疾病的基于体素分析的数据驱动机器学习方法，其特征在于：包括如下步骤：1)根据对脑区指标的定量测量值进行主成分分析PCA模型训练，过程如下：获得的量化数据组表示为：其中，n代表总的样本数量；代表每个样本体素的量化指标值；降维后的数据Q在维度m下被表示为：其中，满足维度1≤m≤p的部分表示的意思是保留方差为投影空间最大值的正交轴，增量主成分分析用新输入的数据和上一步特征值更新当前的特征值；通过两个样本协方差矩阵S的前导特征向量得出Q，其中：公式中K和nj分别表示样本平均值、分类的数目以及类j中的样本数量；因此，推出以下的结果表达：SQi＝λiQi,i＝1,...m(4)在该表达式中，λi是矩阵S第i个最大特征向量；在所操作的样本空间中，的主成分主轴m是解相关的；2)对所有特征进行提取，过程如下：在初步处理后，观察考虑特征列表中的每个特征，之后要人工地对特征进行挑选移除；设样本为X＝[X1,...Xj,...Xn]T，其中每个样本Xj都有一个对应的分类Yj；单变量特征选择通过单变量统计检验取选择最佳特征；对获取样本数据去计算单因素方差分析中的p值，对每个样本都是基于计算出的K最高值进行特征进行选择；对所有的样本，去计算病人组与正常控制组在每个体素间的距离和副...

【专利技术属性】
技术研发人员：冯远静，周思琪，金丽玲，何建忠，曾庆润，吴烨，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33