基于张量模式的大脑磁共振数据机器学习方法-brain magnetic resonance data machine learning method based on tensor model.docxVIP

摘要磁共振成像技术是脑科学研究中最为有效的手段之一，它可以直观地展示大脑结构的相关测量。机器学习方法则能从原始图像中提取出揭示大脑结构特性的有效信息，为探索大脑的奥秘奠定基础。大脑结构核共振数据本质上是三维的张量数据，传统的机器学习方法在处理之前都要先将其展开为一维的向量数据，这样的做法破坏了数据的内在结构与潜在信息。为了克服向量化数据带来的缺点，提出了基于张量模式的机器学习方法用以分析核磁共振图像。本论文以结构磁共振图像数据的张量模式的机器学习方法为研究重点，着重分析了张量成分分析算法与张量判别分析算法。由于数据处理对象是磁共振图像数据，因此，首先对磁共振数据的原理与特点进行简要介绍，并用体素形态学方法处理大脑的结构像以得到大脑灰质图像，为下面的处理过程做准备。接着介绍了张量主成分分析的理论知识，并将经典的Tucker分解算法应用到结构磁共振图像数据中，同时与传统的主成分分析算法作对比。最后应用基于张量数据的判别分析算法区分精神分裂症患者与正常人的大脑灰质结构像，同时对比了线性判别分析的处理结果。两个实验结果都说明在处理结构磁共振数据方面张量算法要优于基于向量的算法。关键词：磁共振成像高维数据主成分分析线性判别分析Tucker分解张量判别分析ABSTRACTAsoneofthemosteffectiveinstrumentsforbrainresearch,magneticresonanceimaging(MRI)techniquecanprovidevisiblemeasuresofthestructureofbraininanoninvadeway.Machinelearningtechniquecanextracteffectiveinformationthatrepresentsthecharacteristicofthebrainstructure,whichhelpsustomakefurtherexplorationofhumanbrain.Essentially,MRIisthree-dimensionaltensordata.Beforeweanalyzethesehigh-dimensionaldata,wetypicallyrepresentthemasone-dimensionalvectors,whichbreaksthenaturalstructureoftheoriginaldata,sothatsomepotentiallyusefulinformationunderlyingtheneuroimagingdataisignored.Alonethisway,thetensor-basedmethodshavebeenproposedtoovercomethesedrawbacksandbeenusedtoneuroscienceimage.Thisthesisfocusesonthetensor-basedmachinelearningmethodsforMRI.Magneticresonanceimagingdataareintroducedandthevoxel-basedmorphometry(VBM)isusedtogetthegraymatterfromtheoriginaldata.Theclassicaltensor-basedprincipalcomponentanalysis,Tuckerdecomposition,isusedtoanalyzethegraymatterimages.Besides,theprincipalcomponentanalysisisalsousedinprocessingtheimagedataforcontrast.Moreover,weemploythetensorLDAmethodsinthegraymatterimagesclassification.Incontrast,PCA+LDAarealsoemployedtodistinguishingschizophrenicpatientsfromhealthycontrols.Boththeexperimentalresultsshowthatthetensor-basedmethodsoutperformthevector-basedmethods.Keywords:magneticresonanceimaging;high-dimensionaldata;principalcomponentanalysis(PCA);lineardiscriminantanalysis(LDA);Tuckerdecomposition;tensorLDA.图目录图1.1基于张量模式计算思想的发展.