一种用于帕金森病筛查的新型半监督多视图聚类框架
图像与视频处理
2020-03-11 v1
摘要
近年来，利用传统无监督机器学习方法和有监督深度学习模型，基于脑磁共振成像(MRI)诊断帕金森病(PD)的研究案例众多。然而，无监督学习方法不擅长从 MRI 中提取准确特征，且在 PD 领域难以收集足够数据以满足训练深度学习模型的需要。此外，现有研究大多基于单视图 MRI 数据，其数据特征不够充分。因此，本文为应对上述缺陷，提出了一种称为半监督多视图学习聚类架构技术(SMC)的新型半监督学习框架。该模型首先引入滑动窗口方法以获取不同特征，然后使用线性判别分析(LDA)降维算法处理具有不同特征的数据。最后，在多特征视图上采用传统的单视图聚类与多视图聚类方法得到结果。实验表明，我们所提方法在聚类效果上优于最先进的无监督学习模型。由此可见，我们的工作有助于在真实医疗环境中通过既往已标注及后续未标注的医疗 MRI 数据提高识别 PD 的有效性。
引用
@article{arxiv.2003.04760,
title = {A novel semi-supervised multi-view clustering framework for screening Parkinson's disease},
author = {Xiaobo Zhang and Donghai Zhai and Yan Yang and Yiling Zhang and Chunlin Wang},
journal= {arXiv preprint arXiv:2003.04760},
year = {2020}
}
备注
17 pages, 8 figures, article