随机森林特征选择、融合和集成策略

本文利用随机森林特征选择、融合和集成策略,结合多种形态学MRI特征,对健康老年人、MCI、cMCI和阿尔茨海默病患者进行鉴别。通过训练集和测试集,实现61.9%的分类精度。
摘要由CSDN通过智能技术生成

随机森林特征选择、融合和集成策略:结合多种形态学MRI手段,对健康老年人、MCI、cMCI和阿尔茨海默病患者进行鉴别:来自阿尔茨海默病神经成像倡议(ADNI)数据库

摘要:
背景:在计算机辅助诊断各种脑疾病的时代,阿尔茨海默病(AD)在神经影像学研究中占有很大的比重,其主要范围是在日常实践中的应用。然而,还没有研究试图同时区分健康对照组(HC)、早期轻度认知障碍(MCI)、晚期MCI (cMCI)和稳定型AD,使用来自单一模式的特征,即MRI。
新方法:基于神经成像挑战组织者提供的预处理MRI图像,我们试图量化多种形态MRI特征的预测精度,以同时识别amongHC、MCI、cMCI和ad。研究了一种利用整组特征子集(如整组特征、左/右半球特征等)通过随机森林进行多特征选择、利用融合方法进行随机森林分类和通过多数投票进行集成分类的新方法。
关键词:随机森林、阿尔兹海默病、轻度认知障碍、神经图像
1.介绍
2.材料和方法
2.1参与者
MRIs从ADNI中选择。ADNI是一个国际性的项目,收集和验证神经学数据,如磁共振成像和PET图像,遗传学或认知测试。我们使用带有静电的种子随机自动的选择对象,使用Konstanz信息采集器进行数据分析。
通过对从网站下载的文本文件进行三步过滤,选择ADNI的受试者。我们使用了包含诊断转换的文件,用于首先选择健康对照组(HC)、阿尔茨海默病(AD)和轻度认知障碍(MCI)的患者,这些患者在随访中没有转换他们的诊断。然后,用同样的方法,我们选择了那些患有MCI的人他们转变成了阿尔茨海默氏症(cMCI)。
第二步是在某一时间点获得临床数据。年龄、性别、细微精神状态检查评分。
该数据集通过诊断标准被分组,为了获得平衡的对象数分为四个(HC, AD, MCI, cMCI)。
最后一步是获得对象的MRI扫描ID。选择第一个MPRAGE序列,在3T被获得。
最后,整个数据集的400个对象被分为240个对象的训练集和160个对象的测试集。
表一总结训练集和测试集的人口统计资料,包括平均年龄,性别,平均MMSE。
在这里插入图片描述

  • 0
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值