基于属性树的并行化增量式动态属性约简算法

传统增量算法主要侧重于从更新近似的角度进行属性约简,但在处理大规模数据集时需要评估所有属性并反复计算重要度,提升时间复杂度,降低效率.针对上述问题,文中提出基于属性树的并行化增量加速策略,关键步骤是将所有属性聚类成多棵属性树进行并行化动态属性评估.首先,根据属性树相关性度量选择合适的属性树进行属性评估,降低时间复杂度.再增加分支系数至停止准则中,随着分支深度的增加进行动态增加,可使算法在达到最大阈值后自主跳出循环,有效避免原先的冗余计算,提高效率.基于上述策略,提出基于属性树的增量属性约简算法,同时与Spark并行机制结合,设计基于属性树的并行化增量式动态属性约简算法.在多个数据集上的广泛实验表明,文中算法在保持分类性能的同时,可提高动态变化数据集约简的搜索效率,具有较好的性能优势.     

DMGA-FCM:衍生多种群遗传进化的FCM自适应聚类算法

模糊C均值聚类(Fuzzy C-means Clustering, FCM)算法是分析医学数据的重要方法之一,FCM的聚类效果容易受初始聚类中心的影响;诸多研究人员往往采用多种群遗传算法(Multiple Population Genetic Algorithm, MPGA)解决上述问题,但MPGA的全局搜索能力不足并缺少自适应性、易过早收敛、初始聚类中心不佳.为此,本文提出一种DMGA-FCM:衍生多种群遗传进化(DMGA)的FCM自适应聚类算法.在DMGA-FCM中,本文首次提出的衍生算子,对初始化种群进行衍生操作,提升算法寻优能力,处理种群间寻优能力不足;利用模糊控制动态调节遗传概率,以提升算法自适应性,进而增强DMGA算法全局寻优能力,避免过早收敛;用DMGA优化FCM算法的初始聚类中心,以提升算法聚类效果.在仿真实验中,本文将该算法与其他相关FCM算法进行对比,可得到更优的医疗数据聚类效果和图像聚类分割效果.     

模糊逻辑引导的多粒度深度神经网络

准确识别和分类组织病理图像对于疾病的早期检测和治疗至关重要.病理医生诊断时通常会采用多层次的方式进行判断,即观察各个倍率下细胞的异常区域,然而现有模型通常只能在单一粒度上进行特征提取,忽略细胞的多粒度特性.因此,文中提出模糊逻辑引导的多粒度深度神经网络.首先,针对细胞的构造,在粗粒度、中粒度和细粒度这3个粒度层面上进行多粒度特征提取,充分利用病理组织图像中的信息.同时,针对多粒度特征提取时出现的关键信息冗余问题,引入模糊逻辑理论,设置多个模糊隶属函数,分别描述细胞在不同角度上的特征.然后,通过模糊运算得到模糊通用特征,由此设计模糊逻辑引导的交叉注意力机制模块,实现模糊通用特征对多粒度特征的引导.最后,通过编码器将特征扩散至所有的补丁令牌,获得较好的分类准确性和鲁棒性.实验表明,文中网络在组织病理图像分类上具有较高的准确率.     

基于粗糙图的图卷积神经网络算法

图卷积神经网络在解决节点分类问题时,使用拓扑图刻画节点间关系,并根据该拓扑图进行节点特征更新.然而,传统的拓扑图只能刻画节点之间的确定关系(即连接边权重为固定值),忽略真实世界中广泛存在的不确定性.这些不确定性不仅影响节点之间的关系,同时影响模型最终的分类性能.为了克服该缺陷,文中提出基于粗糙图的图卷积神经网络算法.首先,使用上下近似理论和传统拓扑图的边理论构造粗糙边,在粗糙边中使用成对出现的最大-最小关系值刻画节点之间的不确定关系,从而构建粗糙图.然后,设计基于粗糙图的可端到端训练的神经网络架构,将使用粗糙权重系数训练后的粗糙图输入图卷积神经网络,使用这些不确定信息更新节点特征.最后,根据这些学习的节点特征进行节点分类.在真实数据上的实验表明,文中算法可提高节点分类的准确率.     

RCAR-UNet：基于粗糙通道注意力机制的视网膜血管分割网络

眼底图像中视网膜血管的健康状况对早期诊断各种眼科疾病及糖尿病心脑血管疾病等具有重要意义,然而视网膜血管结构细微、边界模糊且分布不规则,对其进行准确分割存在较大的难度.针对视网膜血管的这些特征,提出一种粗糙通道注意力残差U型网——粗糙通道注意力残差U型网络（RCARUNet）.该网络首先引入粗糙集理论中上下近似概念设计粗糙神经元;接着基于粗糙神经元构建粗糙通道注意力模块,该模块在U-Net跳跃连接中采用全局最大池化和全局平均池化构造上下近似神经元,并进行神经元间的加权求和,对所建立的通道依赖关系进行合理的粗糙化,该依赖关系不仅包含全局信息,同时具有局部特性,可有效实现对所提取视网膜血管特征的准确重标定;然后添加残差连接,将特征直接从低层传递给高层,有助于解决网络性能退化问题,并有效提取更加丰富的视网膜血管特征;最后为了验证所提视网膜分割网络的有效性,在3个眼底视网膜公开图像数据集上与U-Net,Attention U-Net等传统网络模型进行对比实验,实验结果表明,所提视网膜分割网络在血管分割准确率、灵敏度和相似度等方面具有较高的优越性.     

基于双通路卷积融合网络的脑龄分布预测

采用深度学习对脑龄预测问题进行研究,提出并设计一种基于双通路卷积融合网络的脑龄分布预测模型,以有效预测被试的大脑年龄。将被试静息态功能磁共振成像(rest-state functional MRI, rs-fMRI)数据通过标记分布学习方法,将确定的脑龄标签转化为一组具有高斯分布的概率,设计一个双通路卷积融合网络,包含卷积、批量归一化、池化等步骤,可以同时学习rs-fMRI多类激活图的特征,通过一个低秩融合网络来融合这些特征,利用损失函数对网络更新优化;对预测模型的结果进行详细分析。该模型得到的绝对平均误差和相关系数的指标分别为5.735和0.592 4。试验结果表明,相较于其他模型,该模型取得的平均绝对误差更小,相关系数更高,显著提高了基于rs-fMRI图像的脑龄预测精度。     

脑网络分析方法及其应用

网络结构作为一种常见的数据关系表示方法被大量运用在各类研究中。人的大脑也可通过定义节点和连接边的方式抽象成一个复杂的网络结构。这个网络通常被简称为脑网络,其结构与人类的认知功能和脑疾病存在密切联系。分析和研究脑网络可以为人类探索大脑工作方式、研究神经性退化疾病的病理机制、改善心理疾病及大脑损伤的诊断治疗提供有力的工具。目前,脑网络分析及其应用已成为计算机与生物信息、医学等交叉学科中的研究热点。本文旨在回顾脑网络分析中的典型方法和应用,并按照脑网络构建、脑网络表示、脑网络分析3个部分加以介绍。最后,总结全文并展望未来研究方向。     

基于随机森林算法的特征选择及在fMRI数据中的应用

fMRI数据是典型的高维小样本数据,如何从高维数据中提取和选择重要的特征是正确分类识别的关键.结合fMRI数据自身特点,提出了一种应用随机森林算法进行特征选择的方法,以随机森林分类精度为准则函数对特征进行重要性度量的方式实现特征选择.将本方法应用于健康者和精神分裂症患者的识别中,通过计算每个特征对分类的贡献度,优选出贡献度大的特征用于分类识别,同时根据重要特征的序号定位到相应脑区,给临床诊断提供客观参照.实验结果表明,该方法具有较好的效果.     

基于图核的动态脑网络状态构建方法及其应用

动态脑网络能有效反映脑网络中连接结构的动态变化信息,被广泛使用于脑疾病的识别研究中。动态脑网络由一组连接矩阵组成。通常研究者会基于矩阵上三角元素向量的L2距离,计算所有样本连接矩阵的距离矩阵,使用状态聚类将这些连接矩阵划分为不同的状态。但是简单地使用L2距离,且在全部样本上进行状态聚类会导致忽视连接矩阵所代表的脑网络的图结构信息以及个体之间的差异。因此,提出一种新的基于图核的动态脑网络状态构建方法。该方法针对单个体的动态脑网络设计,使用图核衡量单个样本的动态脑网络连接矩阵之间的相似性,随后根据相似性矩阵,将连接矩阵与其最相似的矩阵进行合并。在精神分裂症数据集上验证该方法的有效性,其结果证明所提方法可以获取81.6%的分类精度。