ICA 与 IVA 算法的开发及其在医学图像分析中的应用
机器学习
2018-01-29 v1
摘要
独立分量分析（ICA）是一种广泛使用的盲源分离（BSS）方法，通过假设潜在源的统计独立性，可唯一实现源恢复（仅存在缩放与置换模糊）。独立向量分析（IVA）通过利用跨数据集的依赖关系联合分解多个数据集，扩展了 ICA 的适用性。尽管基于极大似然（ML）框架的 ICA 与 IVA 算法在理论上能利用所有可用统计信息，但由于对概率密度函数（PDF）的估计不当，它们常偏离其理论最优性。这促使开发紧密贴合数据底层统计描述的灵活 ICA 与 IVA 算法。尽管减少假设颇具吸引力，但关于数据的重要先验信息（如稀疏性）通常可得。若将其纳入 ICA 模型，该附加信息可放宽独立性假设，从而改善整体分离性能。因此，开发一个能同时考虑统计独立性与稀疏性的统一数学框架极具意义。本工作中，我们首先引入一种灵活 ICA 算法，使用有效的 PDF 估计器准确捕捉数据底层统计特性。随后讨论若干精确估计多元广义高斯分布参数并将其整合进 IVA 模型的技术。最后，我们提供一个可直接控制统计独立性与稀疏性影响的数学框架，并借此开发了一种能联合利用这两类多样性的有效 ICA 算法。
引用
@article{arxiv.1801.08600,
title = {Development of ICA and IVA Algorithms with Application to Medical Image Analysis},
author = {Zois Boukouvalas},
journal= {arXiv preprint arXiv:1801.08600},
year = {2018}
}