随机丛林在医学影像数据分析中的应用.pdf

YMY232IIl2IIIIIl3IqlIl2ILIIl5㈣05㈣6 中文摘要 医学影像数据是临床医学诊断，病情跟踪，教学研究的重要客 观依据，对医学影像数据的分类方法层出不穷，但前人的研究大多 着重于决策树(Tree)等单分类器的模型，由于医学影像数据维数 较高，噪声较多，使得单分类器模型难以达到令人满意的效果。于 是本文引入了一种能较好容忍噪声且稳定性较高的组合分类算法一 随机森林分类器(RF)，探索研究医学影像数据的判别分析问题。本 文以静息态功能核磁共振数据为基础，用随机森林分类方法对69例 精神分裂症患者和62例对照组正常人进行判别分析。 本文简单介绍了随机森林的相关理论，着重研究了随机森林在 医学影像数据中的应用。由于在准确率较高的基础上挑出的重要特 征越少就越有助于对大脑结构的研究，因此，寻找较优的特征选择 方法成为本文要做的主要工作之一。本文提出了两种特征子集选择 方法：一种是基于皮尔逊相关系数的改进方法一留一T-Test2进行特 征选择；另一种是利用肯德尔相关系数的方法进行特征选择。实验 证明，肯德尔相关系数的方法能大幅度精简特征，并提高了计算速 度。为了和随机森林分类方法进行对比，本文还利用决策树分类器 对相同特征子集进行了判别分析，发现不管是用留一T-Test2方法还 是肯德尔相关系数的方法，随机森林的分类正确率远比决策树高。 文中还构建了由功能连接与贡献值组成的权值网络来评估每个特征 对整体判别所起的作用，找到了精神病人和正常人脑区之间的异常 连接，对精神疾病诊断提供客观依据。 关键字：随机森林； 特征选择； 核磁共振 MedicalABSTRACTmedicalmethodsmedicalmoremedicalmethodmentalmethodsmethod—Leave-One-OutmedicalmakesmodelmedicalmainBecausebasisbetweenbasebrainbecomebasedPearsonhavehasonThisresults．Sokindnoiserandomrandomrelatedkindsanaarandomonononononoutachieveandandarticleotherofof6962ofofofofforfocusforestforestfeaturesforwardfeaturetotootototoIIIdataclinicaldecisionclassifierdataclassifiercombinatesclassificationdatadiscriminantclassificationdiscriminantdisordercontrols．data·correlationectivethethistoleratethethethethethethethethethethisthistwodataclassificationdata．thefMIUthestatedifficultcoefficientstudiesselectionsubsetselectionlessisinintroducesisintroduces Kendallcorrelation kindis the T-Testfeatureselection；Another coefficient results thattheKendall method．Experimentalproved canbe characteristics．In correlationcoefficientmethod simplified greatly randomforestclassification articlealso orderto method，This com