基于扩散映射与机器学习分类器的多巴胺转运体SPECT图像神经退行性强直性震颤麻痹分类
计算机视觉与模式识别
2021-05-10 v2 机器学习
图像与视频处理
摘要
神经退行性强直性震颤麻痹可通过多巴胺转运体单光子发射计算机断层扫描(DaT-SPECT)进行评估。尽管图像生成耗时，这些图像可能存在观察者间差异，且迄今由核医学医师进行目视解读。因此，本研究旨在提供一种基于扩散映射(Diffusion Maps)与机器学习分类器的自动鲁棒方法，将SPECT图像分为两类，即正常与异常DaT-SPECT图像组。在所提方法中，N名患者的三维图像被映射为N×N两两距离矩阵，并在扩散映射坐标中可视化。训练集图像通过扩散映射嵌入到低维空间。此外，我们使用Nyström样本外扩展，将新样本点作为测试集嵌入到约简空间中。嵌入空间中的测试样本随后通过集成分类器结合线性判别分析(LDA)并利用二十五折交叉验证结果的投票过程分为两类。该方法的可行性通过帕金森进展标志物倡议(PPMI)数据集的1097名受试者以及来自高雄长庚纪念医院(KCGMH-TW)的630名患者的临床队列得到验证。我们将扩散映射与三种替代流形降维方法（即局部线性嵌入(LLE)、等距映射算法(Isomap)和核主成分分析(Kernel PCA)）的性能进行比较，并与二维和三维CNN方法的结果进行比较。扩散映射方法在PPMI上平均准确率为98%，在KCGMH-TW数据集上二十五折交叉验证结果平均准确率为90%。在训练与测试样本的整体准确率与鲁棒性方面，它优于其他三种方法。
引用
@article{arxiv.2104.02066,
title = {Dopamine Transporter SPECT Image Classification for Neurodegenerative Parkinsonism via Diffusion Maps and Machine Learning Classifiers},
author = {Jun-En Ding and Chi-Hsiang Chu and Mong-Na Lo Huang and Chien-Ching Hsu},
journal= {arXiv preprint arXiv:2104.02066},
year = {2021}
}