基于分布的低秩嵌入

乳腺异常的早期检测至关重要。值得注意的是，红外热成像已成为乳腺癌筛查和临床乳腺检查（CBE）中的一种有价值工具。测量异质热模式是将计算动态热成像纳入的关键，这可以通过矩阵分解技术实现。这些方法侧重于从整个热序列中提取主要热模式。然而，在计算热成像领域，如何挑选出有效代表主要时间变化的优势图像仍然是一个具有挑战性的追求。在此背景下，我们提出应用James-Stein特征向量（JSE）和Weibull嵌入方法作为应对这一挑战的两种新策略。主要目标是创建热数据流的低维（LD）表示。该低维近似作为提取热组学和训练具有优化超参数的分类模型的基础，用于早期乳腺癌检测。此外，我们对矩阵分解方法的各种嵌入辅助手段进行了比较分析。所提出方法的结果表明，优势基向量的投影得到了增强，使用Weibull嵌入的分类准确率达到81.7%（±5.2%），优于我们之前提出的其他嵌入方法。在比较分析中，Sparse PCT和Deep SemiNMF分别显示出最高准确率80.9%和78.6%。这些发现表明，JSE和Weibull嵌入技术有助于保留关键热模式作为生物标志物，从而改善CBE并实现乳腺癌的极早期检测。