28、注意力缺陷多动障碍的转导最大边际分类与3T多模态图像自动海马亚区分割技术

注意力缺陷多动障碍的转导最大边际分类与3T多模态图像自动海马亚区分割技术

在神经科学和医学影像领域，对于注意力缺陷多动障碍（ADHD）的诊断以及海马亚区的分割一直是研究的热点。本文将介绍两种相关的技术方法，分别是用于ADHD诊断的转导最大边际分类（TMMC）方法，以及基于3T多模态图像的自动海马亚区分割框架。

转导最大边际分类（TMMC）方法

在ADHD的诊断中，传统的监督学习方法在处理有限的标记训练样本时存在一定的局限性。为了解决这个问题，研究人员提出了TMMC方法。

方法原理

• 半监督学习 ：传统的分类器通常使用标记的训练样本进行训练，而半监督学习除了使用标记样本外，还会利用未标记样本进行训练。研究表明，使用未标记数据可以显著提高分类的准确性和可靠性。
• 最大边际分类（MMC） ：许多分类器试图找到输入数据的最优投影，使得类间差异最大化，类内差异最小化。MMC就是这样一种投影方法，它与线性判别分析（LDA）类似，但通过将LDA准则的迹比问题转化为迹减法问题，不仅保留了最大边际理论的优点，还消除了类内散度矩阵非奇异的要求，从而更容易与其他约束条件进行分析组合。
  • 给定N个静息态功能磁共振成像（rs-fMRI）连接网络，将其表示为标记训练样本集$X_l = [x_1, x_2, …, x_N] \in R^{d×N}$，其中$x_i$是由第i个受试者的连接矩阵形成的向量。每个样本被标记为$k_i \in {1, 2, …, c}$，c为类别数。
  • 类m的训练样本的平均值和所有训练样本的平均值分