基于深度学习的弹性网正则化在痴呆知识发现中的一种新解决方案
计算机视觉与模式识别
2021-09-03 v1
摘要
背景与目的：磁共振图像（MRI）的准确分类对于准确预测轻度认知障碍（MCI）向阿尔茨海默病（AD）的转化至关重要。同时，深度学习已成功应用于痴呆疾病的分类与预测。然而，MRI 图像分类的准确率较低。本文旨在通过在特征选择中使用弹性网正则化（Elastic Net Regularization），通过深度学习架构提高分类准确率并减少处理时间。方法：所提出的系统由卷积神经网络（CNN）组成，利用弹性网正则化提高分类与预测的准确率。最初，MRI 图像被输入 CNN，通过卷积层与池化层交替进行特征提取，然后经过全连接层。之后，提取的特征经过主成分分析（PCA）和弹性网正则化进行特征选择。最后，所选特征作为极端机器学习（EML）的输入用于 MRI 图像分类。结果：结果表明，所提方案的准确率优于现有系统。此外，所提方法平均提高了 5% 的分类准确率，并平均减少了 30~40 秒的处理时间。结论：所提系统侧重于提高 MCI 转化者/非转化者分类的准确率和处理时间。它包括使用 CNN、FreeSurfer、PCA、弹性网、极端机器学习进行特征提取、特征选择和分类。最后，本研究利用弹性网正则化提高了准确率和处理时间，为分类提供了重要的所选特征。
引用
@article{arxiv.2109.00896,
title = {A Novel Solution of an Elastic Net Regularization for Dementia Knowledge Discovery using Deep Learning},
author = {Kshitiz Shrestha and Omar Hisham Alsadoon and Abeer Alsadoon and Tarik A. Rashid and Rasha S. Ali and P. W. C. Prasad and Oday D. Jerew},
journal= {arXiv preprint arXiv:2109.00896},
year = {2021}
}
备注
20 pages