项目名称: 基于张量模式的DTI数据模式分类及其分布式算法研究

项目编号: No.61502473

项目类型: 青年科学基金项目

立项/批准年度: 2016

项目学科: 其他

项目作者: 王书强

作者单位: 中国科学院深圳先进技术研究院

项目金额: 21万元

中文摘要: 弥散张量成像(DTI)技术在大脑和脊髓相关的疾病分析、诊断上有着广泛的应用。传统的向量模式算法在处理分析DTI数据时,会破坏数据的结构和内在相关性,增加计算成本。针对DTI数据的特点,本课题提出了基于张量模式的DTI数据处理分析方法。首先,提出了基于二重度量的DTI图像配准方法,以解决DTI图像配准中张量场方向信息比灰度信息更敏感的问题;其次,提出一种基于弥散系数权重矩阵的多线性主成分分析方法,以实现DTI数据的特征提取;再次,提出最优投影支持张量机算法,大幅降低算法的时间复杂度,并实现目标数据的最大可分;最后,把张量模式分类算法扩展到基于Map-Reduce的分布式平台上。本项目提出的基于张量模式的DTI数据模式分类方法,能够保留DTI数据的结构信息和内在相关性,实现目标数据的最大可分,大幅降低计算成本。本项研究将为基于DTI数据的智能医疗诊断系统提供理论依据和算法支持。

中文关键词: 图像处理与模式识别;最优投影支持张量机;特征提取;张量式监督学习;分布式算法

英文摘要: Diffusion tensor imaging (DTI) has broad prospects of application in disease detection and analysis, especially in brain and spinal cord. The traditional vector-based algorithms often fail in dealing with DTI data because the original data structure would be destroyed and the computing cost would be increased. In this project, the following solutions are proposed to address the above issues. Firstly, the double-registration method is developed to solve the problem that the direction is more sensitive than grey level in diffusion tensor image. Secondly, according to the distribution characteristics of diffusion coefficient, the multi-linear principle component analysis method is proposed to perform feature extraction and dimension reduction for DTI data. Thirdly, the optimum projection support tensor machine (OPSTM) is designed for automated classification of DTI data as optimal as possible. The OPSTM can both decrease the time complexity and increase the accuracy. Finally, the OPSTM algorithm is expanded to Map-Redue based distributed computing platform for automated classification for large-scale DTI data. The proposed methods from this project can keep the original information and internal structure correlation to a large extent, make target data maximum divisible, and substantially decrease computing cost. This research can provide the theory basis and algorithm support for intelligent medical system using DTI data.

英文关键词: Image Processing and Pattern Recognition;Optimum Projection Support Tensor Machine;Feature Extraction;Supervised Tensor Learning; Distributed Algorithms

成为VIP会员查看完整内容
1

相关内容

专知会员服务
40+阅读 · 2021年7月24日
专知会员服务
55+阅读 · 2021年6月30日
专知会员服务
15+阅读 · 2021年6月6日
专知会员服务
95+阅读 · 2021年5月25日
专知会员服务
44+阅读 · 2021年5月24日
专知会员服务
25+阅读 · 2020年12月17日
【WSDM2021】基于演化状态图的时间序列事件预测
专知会员服务
53+阅读 · 2020年12月1日
【KDD2020】自适应多通道图卷积神经网络
专知会员服务
119+阅读 · 2020年7月9日
基于深度学习的多标签生成研究进展
专知会员服务
141+阅读 · 2020年4月25日
基于机器学习的自动化网络流量分析
CCF计算机安全专委会
4+阅读 · 2022年4月8日
深度学习Pytorch框架Tensor张量
极市平台
0+阅读 · 2021年11月1日
综述 | 基于GNN的异常检测
图与推荐
1+阅读 · 2021年9月27日
滴滴离线索引快速构建FastIndex架构实践
InfoQ
21+阅读 · 2020年3月19日
用深度学习揭示数据的因果关系
专知
28+阅读 · 2019年5月18日
技术动态 | 事理图谱,下一代知识图谱
开放知识图谱
29+阅读 · 2018年12月28日
半监督深度学习小结:类协同训练和一致性正则化
【学界】基于条件深度卷积生成对抗网络的图像识别方法
GAN生成式对抗网络
16+阅读 · 2018年7月26日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年4月19日
Arxiv
0+阅读 · 2022年4月14日
Arxiv
21+阅读 · 2019年8月21日
小贴士
相关VIP内容
专知会员服务
40+阅读 · 2021年7月24日
专知会员服务
55+阅读 · 2021年6月30日
专知会员服务
15+阅读 · 2021年6月6日
专知会员服务
95+阅读 · 2021年5月25日
专知会员服务
44+阅读 · 2021年5月24日
专知会员服务
25+阅读 · 2020年12月17日
【WSDM2021】基于演化状态图的时间序列事件预测
专知会员服务
53+阅读 · 2020年12月1日
【KDD2020】自适应多通道图卷积神经网络
专知会员服务
119+阅读 · 2020年7月9日
基于深度学习的多标签生成研究进展
专知会员服务
141+阅读 · 2020年4月25日
相关资讯
基于机器学习的自动化网络流量分析
CCF计算机安全专委会
4+阅读 · 2022年4月8日
深度学习Pytorch框架Tensor张量
极市平台
0+阅读 · 2021年11月1日
综述 | 基于GNN的异常检测
图与推荐
1+阅读 · 2021年9月27日
滴滴离线索引快速构建FastIndex架构实践
InfoQ
21+阅读 · 2020年3月19日
用深度学习揭示数据的因果关系
专知
28+阅读 · 2019年5月18日
技术动态 | 事理图谱,下一代知识图谱
开放知识图谱
29+阅读 · 2018年12月28日
半监督深度学习小结:类协同训练和一致性正则化
【学界】基于条件深度卷积生成对抗网络的图像识别方法
GAN生成式对抗网络
16+阅读 · 2018年7月26日
相关基金
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员