在神经影像中同时利用病灶特征与处理偏置：逆尺度空间的一种双任务分裂动力学

病灶特征的预测与选择是基于体素的神经影像分析中的两项重要任务。现有的多元学习模型将两项任务等同对待并同时优化。然而，除病灶特征外，我们观察到另一类特征，其通常在预处理步骤的过程中被引入，并可改善预测结果。我们将此类特征称为处理偏置。因此，本文中我们提出神经影像数据中的特征/体素由三个正交部分构成：病灶特征、处理偏置与零特征。为稳定地选择病灶特征并将处理偏置引入预测，我们提出一种迭代算法（称为GSplit LBI）作为逆尺度空间微分包含的离散化，其结合了变量分裂方案与线性化Bregman迭代（LBI）。具体而言，借助变量分裂项，引入两个估计量并使之分离，即一个用于特征选择（稀疏估计量），另一个用于预测（稠密估计量）。通过线性化Bregman迭代（LBI）实现，可返回两个估计量的解路径，其中稀疏估计量具有不同稀疏度水平以用于病灶特征的选择。此外，稠密估计量可额外利用处理偏置以进一步改善预测结果。为检验方法有效性，我们在模拟研究及阿尔茨海默病神经影像倡议（ADNI）数据库上开展实验。我们模型的有效性及益处可通过预测结果的提升以及可视化的处理偏置与病灶特征的可解释性得以展现。