34、肿瘤病变分割与静息态功能磁共振成像分类算法研究

肿瘤病变分割与静息态功能磁共振成像分类算法研究

1. 肿瘤病变分割

在肿瘤病变分割方面，有研究提出了一种仅依赖正电子发射断层扫描（PET）的全自动病变分割方法。该方法能够将异常病变活动与背景以及正常放射性示踪剂摄取的其他组织区域区分开来。

这是一种基于学习似然项引导的凸分割技术，学习过程基于一个在解剖和生理上有意义的线索训练的分类模型。使用凸公式和训练好的分类器来学习所有参数，避免了人类交互（如初始化和参数调整），并在新的测试图像（从具有不同重建参数的不同扫描仪获得）上产生完全可重现的结果。该方法优于最近发表的用于此应用的最先进方法，与专家用户相比，平均骰子相似系数（DSC）仅相差 4%。

以下是该方法的一些关键特点：
- 自动分割 ：无需人工干预，实现病变的自动分割。
- 凸分割技术 ：基于学习似然项引导，提高分割的准确性。
- 可重现性 ：在不同的测试图像上能得到一致的结果。

2. 静息态功能磁共振成像分类算法

静息态功能磁共振成像（rfMRI）为大脑功能变化提供了有价值的信息，是神经退行性疾病生物标志物的有力候选者。然而，常用的 rfMRI 分析技术在用于分类时存在一些不理想的特征。

2.1 线性判别分析（LDA）

LDA 是一种经典的分类算法，当应用于两类问题时，其目标是将特征向量投影到一条直线上，使得投影后的组间均值差异除以投影后的组内方差之和最大化。LDA 寻求最大化以下目标函数：
[
J_{LDA} = \frac{[