35、医学图像分析中的分类与检测算法：IDLDA与有丝分裂检测方法

医学图像分析中的分类与检测算法：IDLDA与有丝分裂检测方法

1. 迭代双线性判别分析（IDLDA）算法

1.1 算法背景与原理

IDLDA是一种基于线性判别分析（LDA）的新型静息态功能磁共振成像（rfMRI）分类算法。在模拟数据中，该方法能在不同噪声水平下有效识别受疾病影响的体素。其原理是通过迭代的方式，不断优化目标函数，以实现对数据的有效分类。

1.2 帕金森病数据应用

1.2.1 实验设置

将该算法应用于OPDC数据集，以全部118个受试者作为训练集，设置参数λ = 1013（后续会解释选择该值的原因），m0 = r。算法会单调增加目标函数，在该参数设置下，经过11次迭代达到收敛。

1.2.2 实验结果

• 图像输出 ：输出的w和v图像具有不同特征。w图像没有明显结构，而v图像在灰质体素的上下后部有较大权重。w中权重较大的区域可能与v中权重较大的体素具有最改变的功能连接。
• 分类性能评估 ：使用留一法交叉验证（LOO）和相应ROC曲线的AUC指标评估分类性能。实验中尝试了不同的λ值，如λ = 1011（AUC = 0.71）、1012（AUC = 0.71）和1014（AUC = 0.69），发现λ = 1013（AUC = 0.75）时分类性能最佳。随着迭代次数从第一次到最后一次，AUC从0.56增加到0.75，表明迭代框架能很好地学习数据的判别特征。
• 与其他方法比较 ：将基于独立成分分析（ICA）和判别回归