41、医学图像与社交媒体文本分析的技术探索

医学图像与社交媒体文本分析的技术探索

1. 视网膜血管分离技术

1.1 决策树集成模型

决策树集成模型基于决策树概念构建，由一组分类与回归树（CART）组成。在CART中，每个叶节点或内部节点代表一个测试，现有数据被分类到不同的叶节点，并赋予相应叶节点的分数。与普通决策树不同，CART的叶节点包含与之关联的真实分数，这使得其解释能力超越了简单的分类。

通常，单个决策树在实际应用中效果不佳，因此采用集成模型，将多个决策树的预测结果相加。随机森林和集成学习都以树集成作为共同特征，但训练方式不同。提升（Boosting）以迭代方式从单个决策树或“弱学习器”构建模型，与随机森林不同的是，它并非完全基于数据或特征的随机子集构建单个模型，而是按顺序对单个模型赋予更多权重，即从过去的错误中学习。提升算法不仅性能高，训练时间和模型规模也较小，因此可作为深度学习算法的替代方案。为优化普通提升算法，它采用计算二阶梯度来确定梯度方向的技巧，并使用L1和L2正则化防止过拟合，并行处理使其速度极快。

1.2 有影响力特征的选择算法

由于DRIVE数据集中只有20张图像，数量较少，因此需要谨慎处理数据集。具体步骤如下：
1. 定义41种不同的滤波器或提取技术。
2. 对每张图像进行处理并展平。
3. 基于每张图像的横截面数据训练一个模型，共创建20个模型。
4. 用所有图像（20张）对每个模型进行测试。
5. 根据平均准确率，选取前3N/4（即总数的75%）的图像作为训练集，其余5张作为测试集。这种方法尽可能减少了异常值的影响。
6. 构建模型后，进一步修改以过滤掉不太重要的特征。集成学习相对于深度学