機能的結合性を用いた機能的核磁気共鳴画像による画像分類

Image categorization from functional magnetic resonance imaging using functional connectivity
ChunyuLiu, SutaoSong, Xiaojuan Guo, Zhiyuan Zhu, Jiacai Zhang
Journal of Neuroscience Methods, Volume 309, Pages 146-158, 1 November 2018

“先行研究では,画像閲覧中に記録された機能的核磁気共鳴画像(fMRI)データからの刺激画像内の物体のカテゴリを推測しようと試みた.多くの研究は,所与の領域内または複数のボクセルにわたる活動パターンを抽出し,ボクセル間の関係を利用して刺激画像のカテゴリを解読することに焦点を当てている.しかし,画像カテゴリに応じた関心領域にわたる機能的結合性(FC)パターン,およびカテゴリ分類への潜在的な寄与はほとんど知られていない.

健康な成人ボランティアでfMRIを用いた4つの画像カテゴリ刺激(ネコ,顔,住居,車両)に対応した全脳FCパターンを機械学習フレームワーク(Support Vector Machine [SVM]とランダムフォレスト)を用いて調査した .我々はさらに,FCのロバスト性と,ニューラル復号のためのFCパターンに対するウィンドウ長の影響を調べた.

2つの分類モデルの平均1対1分類精度は,被験者内で74%,被験者間で80%であり,チャンスレベル(50%)より高かった.ランダムフォレストの結果はSVMの結果より優れており,48秒のFC結果は24秒のFC結果よりも優れていた.

我々は,FCパターンの分類性能を,ブロック間およびブロック内の2つの他の既存の方法と時間的な情報を重複させずに比較した.

異なるウィンドウ長(24および48秒)の全脳FCパターンは,画像カテゴリを高い精度で予測することができる.これらの結果は,人間の脳における大規模なFCパターンにおけるカテゴリー情報の表現の根底にある新しいメカニズムを明らかにしている.

医療データ分類のためのハイブリッドインテリジェントシステム

A hybrid intelligent system for medical data classification
Seera Manjeevan and Lim Chee Peng
Expert System with Applications Vol.4 pp.2239-2249 2014
20171214_nishida

“本稿では,Fuzzy Min-Maxニューラルネットワーク,分類木,回帰木,ランダムフォレストモデルからなるハイブリッドインテリジェントシステムを提案し,医療データ分類の意思決定支援ツールとしての有効性を検討する.ハイブリッドインテリジェントシステムは,構成モデルの利点を活用し,同時にその限界を緩和することを目指している.それは,(ファジーミニマックスニューラルネットワークによって)データサンプルから漸進的に学習し,(分類および回帰ツリーにより)その予測出力を説明し,(ランダムフォレストによって)高い分類性能を達成することができる.ハイブリッドインテリジェントシステムの有効性を評価するために,3つのベンチマーク医療データセット,乳癌ウィスコンシン,ピマインディアンス糖尿病,およびUCI機械学習のリポジトリからの肝障害を評価に使用した.精度,感度,特異性,およびROC曲線下の面積を含む,医療アプリケーションにおけるいくつかの有用な性能指標が計算された.結果を分析し,文献に掲載された他の方法の結果と比較した.実験結果は,ハイブリッドインテリジェントシステムが医療データ分類タスクを実行するのに効果的であることを積極的に示す.さらに重要な事は,ハイブリッドインテリジェントシステムは,良い結果を生み出すだけでなく,意思決定ツリーを使って知識ベースを解明することもできる事である.
その結果,ドメインユーザ(すなわち,開業医)は,ハイブリッドインテリジェントシステムによって与えられる予測を理解することができる.有用な医学的意思決定支援ツールとしての役割を認めている.”

特徴とアンサンブルに基づく階層型の網膜血管セグメンテーション

Hierarchical retinal blood vessel segmentation based on feature and ensemble learning
Neurocomputing vol. 149, pp. 708-717, 2015
20160524 ntanaka

網膜血管のセグメンテーションは,糖尿病性網膜症,高血圧及び新血管疾患のような多くの疾患の診断のため に実際の臨床において重要である.本稿では,網膜血管セグメンテーションの問題を解決するために,畳み込み ニューラルネットワーク(CNN)及びランダムフォレスト(RF)の二つの優れた分類器を組み合わせた教師あり学 習を提案する.この手法では,CNNは学習可能な階層的特徴抽出器,RFは学習可能な分類器としての役割を担 う.特徴の学習と伝統的な分類器のメリットを統合する事により,提案手法は自動的に元画像の特徴量を学習し, パターンを予測する事が可能である.実験は二つの公開されている網膜画像データベース(DRIVEとSTARE)を 利用して行い,同じデータベース上の他の主な研究と比較して,提案手法のパフォーマンスと有効性を実証する