High-order graph matching based feature selection for Alzheimer's disease identification.
High-order graph matching based feature selection for Alzheimer's disease identification.
复制标题
基于高阶图匹配的特征选择用于阿尔茨海默病识别。
DOI：
10.1007/978-3-642-40763-5_39
复制
发表时间：
2013
期刊：
影响因子：
--
通讯作者：
Shen, Dinggang
中科院分区：
文献类型：
--
作者：
Liu, Feng;Suk, Heung-Il;Wee, Chong-Yaw;Chen, Huafu;Shen, Dinggang
L1范数特征选择的主要局限性之一是它侧重于单独估计每个样本的目标向量，而不考虑与其他样本的关系。然而，人们认为训练集中目标向量之间的几何关系可以提供有用的信息，预测向量与目标向量具有相似的几何关系是很自然的。为了克服这些限制，我们将其描述为预测图和目标图之间的图匹配特征选择问题。在预测图中，节点由可以描述区域灰质体积或皮质厚度特征的预测向量来表示，而在目标图中，节点由目标向量来表示，目标向量包括类别标签和临床评分。特别是，我们在稀疏表示中设计了新的正则化项来强制目标向量与预测向量之间的高阶图匹配。最后，将选取的区域灰质体积和皮质厚度特征融合到核空间中进行分类。使用ADNI数据集对该方法的有效性进行了评估，在AD和MCI分类中分别获得了92.17%和81.57%的准确率。
One of the main limitations of l1-norm feature selection is that it focuses on estimating the target vector for each sample individually without considering relations with other samples. However, it’s believed that the geometrical relation among target vectors in the training set may provide useful information, and it would be natural to expect that the predicted vectors have similar geometric relations as the target vectors. To overcome these limitations, we formulate this as a graph-matching feature selection problem between a predicted graph and a target graph. In the predicted graph a node is represented by predicted vector that may describe regional gray matter volume or cortical thickness features, and in the target graph a node is represented by target vector that include class label and clinical scores. In particular, we devise new regularization terms in sparse representation to impose high-order graph matching between the target vectors and the predicted ones. Finally, the selected regional gray matter volume and cortical thickness features are fused in kernel space for classification. Using the ADNI dataset, we evaluate the effectiveness of the proposed method and obtain the accuracies of 92.17% and 81.57% in AD and MCI classification, respectively.
登录
查看更多内容
DOI：
10.1016/s0140-6736(20)32205-4
发表时间：
2021-04-24
期刊：
Lancet (London, England)
影响因子：
--
作者：
Scheltens P;De Strooper B;Kivipelto M;Holstege H;Chételat G;Teunissen CE;Cummings J;van der Flier WM
通讯作者：
van der Flier WM
基于结构磁共振扫描的多变量模式分析方法对重度抑郁症的不同治疗反应进行分类
影响因子：
3.7
作者：
Liu F;Guo W;Yu D;Gao Q;Gao K;Xue Z;Du H;Zhang J;Tan C;Liu Z;Zhao J;Chen H
通讯作者：
Chen H
影响因子：
14
作者：
Brookmeyer, Ron;Johnson, Elizabeth;Arrighi, H. Michael
通讯作者：
Arrighi, H. Michael
影响因子：
3.5
作者：
Casanova R;Whitlow CT;Wagner B;Williamson J;Shumaker SA;Maldjian JA;Espeland MA
通讯作者：
Espeland MA
影响因子：
--
作者：
Petersen, RC;Doody, R;Winblad, B
通讯作者：
Winblad, B