在核磁共振成像特征选择基于机器学习海马分割

文摘

神经退行性疾病常常与大脑结构变化有关。磁共振成像(MRI)扫描可以显示这些变化,因此可以用作支持功能的神经退行性疾病。海马体被认为是阿尔茨海默病和其它的生物标记的神经和精神疾病。然而,它需要准确的,健壮的,可再生的海马结构的描述。全自动方法通常是基于体素的方法;为每个立体像素的局部特性计算。在本文中,我们比较四种不同技术特征选择从一组315年为每个立体像素特征提取:(i)过滤方法基于Kolmogorov-Smirnov测试;分别两种包装方法,(2)顺序向前选择和(iii)顺序向后消除;及(iv)嵌入方法基于随机森林分类器的一组10 t1大脑核磁共振成像和测试一组独立的25个学科。结果分割与手册参考标签。 By using only 23 feature for each voxel (sequential backward elimination) we obtained comparable state-of-the-art performances with respect to the standard tool FreeSurfer.

1。介绍

医学图像的分析如磁共振图像(核磁共振成像)是有用的调查和确定大脑的结构性改变,经常与痴呆或神经退行性疾病相关。在这种背景下,海马分割是用于研究和检测海马的形态异常之间的关系和阿尔茨海默病的发生。因此它的重要性是严格与痴呆的早期预测(1,2]。手动跟踪是耗时的和高度operator-dependent以来,重要的是使这一过程尽可能多的自动。

如前所述(3)、自动图像分析和分类方法存在,它们能够识别大脑异常单一层面的病人,这是比在更有用的团体或类别的个人水平。然而他们可能需要大量的参数(特征向量)妥善管理所有个体之间的差异和人类大脑的特定特性,导致参数空间爆炸的复杂性、冗余和噪声。找到一个有限的特性能够识别模式与足够的精度和水平不需要巨大的计算工作,确实是很有帮助的。尤其如此,当特征选择和分类是由机器学习技术,从内在自我组织的选择重要的特点和他们的互相关消除任何潜在的偏见的特征空间的可解释性。

提出了几种方法达到不同级别的自动化(4]。在已知的方法,我们报价延误等。5,6),这表明不同的自动方法基于支持向量机(SVM)和分层的演算法,通过考虑约18000体素的特性,和FreeSurfer7),一个标准的医疗软件工具的分析皮层和皮层下结构,执行一个细分的皮质表面流通过构造模型边界的灰质和白质。

同样,对于自动海马分割,我们使用分布方法通过为每个立体像素使用315名当地特性包括在海马旁区域比海马体积。提取315特性等大量的体素需要大量处理时间和大量的计算资源。出于这个原因,我们认为关键的问题特征选择(FS)或减少。特征选择的工具是(a)为了避免过度拟合,通过最小化参数空间的维数,提高模型的性能,也就是说,预测性能的监督分类和更好的集群检测在集群的情况下,(b)提供更快和更具有成本效益的模型,(c)获得更深入了解底层过程生成的数据,和(d)优化处理时间和大量的计算资源。

这是要付出代价的优势。搜索相关特性的一个子集事实上一个额外的复杂性层介绍了建模的任务:它需要找到最优模型参数的最优特征子集,如不能保证最优参数的完整输入特性集也同样最优最佳特征子集(8,9]。

通过提供少量的特性,它可以减少计算时间是成正比的数量特征。此外,在某些情况下,它允许更好地分类精度(10]。同时,减少特征的数量是必要的时候,训练分类器,只有数量有限的例子。在这方面,它是表明,同样的错误率,分类器需要一个培训的时间呈指数级增长的变量(11- - - - - -13]。

功能降低,因此,包括任何算法,发现输入特性集的一个子集。减少功能能力目前还在更一般的方法基于转换或组合的输入特性(特征提取算法)。一个例子是著名的主成分分析(PCA),这消除了冗余的信息通过生成新的特征集的输入特性(14]。

然而,最好的特征选择,通过保留最初的语义特性,允许也维持一个连贯的可解释性。本研究的主要目的就是例证,证明应用所带来的好处在海马分割领域FS算法。

2。材料

实验描述的数据库用于执行由35 t1加权全脑MR图像和相应的手动分割双边海马(面具)。所有图片是1.0扫描仪根据MP-RAGE序列对大脑的磁共振成像(15- - - - - -17]。

图片来自开放获取一系列的成像研究(绿洲)。特别是我们使用35 MP-RAGE MRI脑部扫描分辨率为1毫米³提供的场合MICCAI SATA挑战研讨会201318]。通过使用这种同构数据样本可以减少训练图像子样品不失一般性和学习功能,让可能性保持足够宽的测试集上执行一个适定的统计分析特征选择表演。

图像处理和分类进行了盲目的主体地位。

连锁的第一阶段我们的分析需要一个图像预处理标准化在灰色空间和强度。这个操作是通过注册图像蒙特利尔神经学研究所(MNI)标准模板(ICBM152)使用参affine-registration和随后在一个各向同性的网格重采样1毫米³体素的大小。

为了减少计算时间的分析,从核磁共振成像,空间标准化,两卷包含左、右海马包括相关的海马旁区域使用一种新方法提取FAPoD(全自动算法基于点分布模型)中描述(19,20.]。

我们可以进行特征提取只有在确定区域的利益:我们一个二进制分类分布问题,类别海马体或not-hippocampus,即基于监督模式识别系统。应该包含的特性分类任务相关的信息。由于手动分割海马是基于局部纹理信息,我们采用了相关的特性。在本文的分析中为每个代表体元向量的元素位置信息,强度,邻近结构(21),和当地的过滤器。

纹理信息表示使用Haar-like和Haralick特性(6,22]。

Haralick特性计算的归一化灰度同现矩阵应用灰度共生矩阵建立()创建的体素投影体积感兴趣的子图象;定义了重叠的滑动窗口的大小。对于每个体素,的值不同从3到9。每个元素同现矩阵表示的两个像素点的概率,由指定的空间角度和距离,有灰色的水平和,分别。

的一个子集Haralick特性足以获得一个令人满意的歧视。建立应用灰度共生矩阵建立的原始14 Haralick特性给出了最好的识别率,几位进行初步识别实验23]。所得的最佳配置已经在4个性化特点:能量、对比度、相关,逆不同时刻(20.]。

最后,梯度计算在不同方向和不同距离作为附加功能。最好的分析配置,所表达的最高价值的统计指标(见部分3),获得了315的特性,描述表1。

通过总结、知识库(KB)由35个感兴趣的区域(ROI)提取尽可能多的图片,每一个由7910像素点,每个代表体元315年通过矢量特性。因此,训练集,包括10个随机选择的图像,是由79100×315条目。在定量方面,它可以被视为一个足够宽的数据集,定性能够覆盖所有功能类型需要执行一个完整的培训,避免无用的冗余信息不需要通过机器学习方法(24)和离开数量足够大的样本用于测试会话。

3所示。方法

FS技术通常是计算在三个类别,基于他们的内部组合之间的选择和分类参数空间。这些类别,分别称为包装器,过滤器,和嵌入式方法(25]。

过滤器方法是基于测量技术的重要性给定参数空间的每一个特性(26]。选中的功能是最相关的获得正确的分类。这项技术适合高维数据集包括方法,因为它们是快速计算。此外,他们是独立的分类算法,因此他们的研究结果可以用于所有类型的分类器。然而,由于每个特性被认为是独立于其他人,他们的积极贡献的基础上,结合效应被忽视。过滤器用于我们的分析方法是基于Kolmogorov-Smirnov(钴)测试。

包装器方法基本上集成工作流的两个方面,也就是说,模型假设和功能搜索(27]。这个过程包括生成和评估各种特征子集。每一个子集生成的特性是关联到一个分类标准(因此得名包装器)。从所有可能的特征子集的数量呈指数级增长的数据集的大小,可以采用一些搜索启发式大幅减少操作的数量。他们可以分成确定的和随机搜索方法。这些方法的优点是最好的内在互动在选定的特征及其分类,但高计算成本的缺点和过度拟合的风险。包装器方法在我们的分析中,分别顺序向前选择(SFS)和顺序向后消除(”。

最后,在嵌入式方法的最优特征子集搜索直接嵌套在分类器算法(28]。这些技术可以被搜索在参数空间相结合,通过混合特性和假设。类似地,包装方法,它们包括交互分类算法,但速度更快。嵌入的方法在我们的分析是基于随机森林分类器。

回顾一下,在我们的FS分析我们使用如下:(我)单变量筛选方法:Kolmogorov-Smirnov,(2)确定的包装方法:顺序向前选择(SFS)和顺序向后消除(”,(3)嵌入式方法:随机森林。

此外,我们还使用了主成分分析(29日),被最广泛采用的特性减少技术,进行比较。

估计所选功能组的美好我们使用了朴素贝叶斯分类器(30.),基于简化的假设所有属性描述一个特定的实例数据是条件独立的。

FS分析35 10日在5倍交叉验证数据库中的图像。的美好选择组测试剩下的25张图片。节中已经讨论过2,所选择的训练和测试率被认为是足够宽,以确保一个适定的培训和后处理统计评估。

的倍交叉验证技术能够避免过度拟合数据,能够提高机器学习模型的泛化性能。通过这种方式,验证可以隐式地执行培训期间,通过启用设置标准的分析倍交叉验证机制(31日]。交叉验证的自动化的过程在于执行不同的培训运行下列程序:(i)分裂的训练集随机子集,每一个由相同的数据集(取决于的百分比选择);(ii)在每次运行的剩余部分数据集用于培训和排除百分比进行验证。同时避免过度拟合,倍交叉验证导致执行时间的增加有价值的次的总数。

此外,结合上面的简化假设的贝叶斯规则具有积极的影响在模型复杂度和计算时间。特别是后者财产促使我们选择这个模型作为嵌入式分类器的特征选择问题。

之间的协议自动分割估计和手动分割可以评估使用重叠的措施。一系列措施是可用的:骰子指数(20.,32];(b)效率;(c)类的纯度;(d)类的完整性;(e)类的污染。

底部的统计指标,普遍为人们所知混淆矩阵,可用于轻松可视化分类性能(33]:矩阵的每一列代表一个预测类的实例,而每一行代表真正的类的实例。混淆矩阵的一个好处是它允许看到的简单的方法是否系统混合不同的类。

我们这里的话,我们大多是感兴趣的特性分析与分类有关海马体类体素。因此,我们认为是特别相关的骰子指数,通常称为真阳性类(在我们的混淆矩阵),在我们的案例中对应正确海马体类。以来,根据定义,骰子指数不考虑真阴性率,的速度not-hippocampus体素不涉及在这个指标。后者的统计评估类,对应于背景像素点,主要包括与整个混乱的完整性和一致性矩阵表示。最高的相关性的海马体类分析代表也在这样的背景下一个共同的评价标准6]。

二进制分类而言,我们更愿意进行特征选择的分析,而不是提高分类性能。因此,我们开始实施一个标准的分类阈值为0.5的实验和整个描述过程保持不变,通过考虑它作为我们的足够的特定目的。

更具体地说,对于一个通用的两种混淆矩阵,我们考虑 然后我们使用其条目定义以下统计数量。

(我)的总效率。 之间的比率的定义是正确的数量分类对象和对象的总数在我们的混淆矩阵示例数据集。这将是

(2)类的纯度。 之间的比率被定义为类的正确分类对象的数量,在这个类对象的数量分类。在我们的混淆矩阵示例

(3)类的完整性。 被定义为正确分类对象的数量之间的比率,类和对象的类的总数在我们的混淆矩阵示例数据集。这将是

(iv)类的污染。 是双重的纯度;即分类错误的对象之间的比例是类和对象的数量分类,类;在我们的混淆矩阵的例子

(v)骰子指数。 ,同样的名字,经常测量中使用二进制分类,这可能被视为一种加权平均的纯度和完整性,达到其最佳值在0。1和最严重的通过引用符号,我们定义了骰子

4所示。结果

利用朴素贝叶斯分类器在所有输入特性,善估计10日在5倍交叉验证图像。结果的统计,由混淆矩阵,如表所示2和骰子指数是0.60±0.04。

主成分分析应用于315年输入功能返回主成分(pc)命令他们传达的信息。的百分比信息包含在第一个98年第一批197台电脑,个人电脑和分别为90%和99%。

因为我们的目标是降低分类的特性保留善良,我们认为第一个包含99.0%的信息的197台电脑。获得的结果如表所示3和骰子指数是0.62±0.07。正如上面提到的,我们使用了朴素贝叶斯分类器在5倍交叉验证。

使用的315年相比原始特性,与197台电脑获得的值是平均低6%的骰子指数。因此,为了避免信息丢失,我们认为所有的315台电脑。结果被发表在表4和骰子指数是0.63±0.03。

即使使用所有的电脑,结果在骰子Iindex低5%。这个结果证实了已经发现Golland等人在34];即大方差特性的选择由PCA不是特别适合分割问题。

4.1。Kolmogorov-Smirnov分析

钴的测试提供了一个估计的两个分布多少是相互关联的。钴测试允许我们只选择功能,这两者之间有相关性海马体和not-hippocampus类不到5%,导致共57特性。

正如上面提到的,我们使用了朴素贝叶斯分类器在5倍交叉验证。获得的结果如表所示5和骰子指数是0.67±0.04。

钴的检测结果具有可比性与原参数空间基于315的特性。

4.2。顺序选择和反向淘汰

两个FS方法属于包装器类尝试在我们的案例中是SFS和SBE。在图1(一)纵轴,骰子的最高价值指数之间实现所有可能的组合与水平轴上的参考步骤描述。在每个步骤中,选择特性实现最佳性能,使用时结合前一步骤中选择的特性。步骤号恰逢选择特性(SFS)的数量。

在图1 (b)纵轴,骰子的最高价值指数之间实现所有可能的组合与水平轴上的参考步骤描述。每一步的功能没有得到最好的表演。步骤号恰逢消除特性(”的数量。

我们观察到SFS方法达到最高骰子指数0.75,步骤36。这意味着最好的性能,使用朴素贝叶斯分类器,得到只有36选择特性,列在表中7。在图2和图3一些功能的更详细的描述。

SBE法获得的最高骰子指数0.75 292步。因此,最佳的性能,评估与朴素贝叶斯分类器,通过使用剩下的23个特性(例如,),表中列出9。

表6(骰子指数有关),8(骰子指数有关),分别显示在图的相对性能峰值1。

4.3。随机森林的分析

随机森林分类方法允许我们评估功能的重要性(35]。选择最好的子集进行分类与交叉验证过程的研究基于朴素贝叶斯分类器,不同的阈值特性重要性指数。最优阈值与最大骰子索引值,取得了222的特性。也在本例中,我们使用了朴素贝叶斯分类器在5倍交叉验证评估选择的特性随机森林。获得的结果如表所示10和骰子指数。

4.4。随机选择测试

此外,我们执行一个额外的测试来评估是否随机选择的样本36功能在原来的315可能导致与骰子骰子索引大于或可比价值获得SFS (0.75)。为此,我们估计骰子的经验概率密度函数在虚假设条件下,任何设置36的特性提供了一个骰子价值大于或等于真正的骰子在预测是否一个立体像素属于海马。为了验证这个假设,2000套随机生成,每一个由36特性从可用的和相应的骰子值进行评估。结果如图所示4。

5。讨论和结论

这项工作的主要目的是验证的可能性降低所需的体素特征的数量而不丧失或更好的提高分类性能。此外体素的数量特征的减少也可以提高分类的计算效率。

从最近的一次回顾,明确结果3),现在特征选择必须被视为一个重要的步骤在神经影像学走近的机器学习领域的范式。其重要性也不变的具体技术用于提取和编纂的功能核磁共振成像区域的利益,是否它是基于标准的维特征向量或两两不同的表示。在目前的工作我们研究了几种特征选择方法的应用。

使用不同方法获得的结果在表中做了总结11并在图5。我们观察到通过使用这两个选择的子集可以获得更高的性能比使用整个输入数据集。

通过考虑随机骰子的百分比值比最好的关于随机抽取的总数,这些值是零。但是,正如图中可以看到4,在许多情况下,获得更好的表现通过随机提取特征样本而不是考虑315年的全套功能。

在FS方法在这项工作中,SFS和SBE显示更好的表演。

我们会强调结果如图5必须主要解释为比较不同的特征选择方法。必须强调的是,表演是信息内容的影响特性和图像增强技术。一个非常简单的方法,如朴素贝叶斯分类器,能够达到最先进的表演在之前选择空间分析功能。更详细的研究的分类方法和后处理技术可以用于提高性能提出了其他的研究(36,37]。

测试善良最好的特征选择方法提出了在本文中,我们使用了两个选择集,分别通过36和23个功能在一个盲人25核磁共振成像(即组成的测试数据库。,而不是用于训练阶段),在算法中提到36)(见表7和9、职责)。

通过分析两个子集的选择特性,提取获得,13的23 SBE方法也存在于样品36 SFS方法获得的特性。大多数Haralick和统计特性,除了位置和Haar-like特性,证实了由Haralick重要性和统计类型和很低的贡献Haar-like类型。

我们的话,通过最小化Haralick特性的存在,尤其是相关性,它允许改善处理时间和更好的处理的信息内容。事实上,在这里的三个类别的特性考虑,Haralick类型是最耗费时间的从计算的观点。

FS的比较与广泛使用PCA方法展示了非常低的性能PCA技术(如图5)。这个结果与著名的方法的缺点是在协议中存在一个非常高的非线性特性的相关性。它也间接证实内在分离困难海马体与not-hippocampus类从核磁共振图像。

我们得出结论,SFS和SBE技术是两个有前途的方法允许减少输入空间的大小,非常低损失的信息,允许分类性能可比,甚至比更大数量的特性。

事实上,在特征空间的维度比较,猜拳et al。6)执行一个分布分割使用约18000特性的加权投票方法演算法(38)在不同的图像数据集进行测试。此外,FreeSurfer [7),这是一个没有分布方法视为标准基准MRI分割实验,达到一个骰子的价值。

在这项工作中,我们观察到所选特征SFS和SBE方法是图像的高频分量。所以这个结果建议哪种特性最适合高频边缘识别等分类问题。事实上,这些关联特性,基于强度的差异,能够捕捉本地信息基于不连续而非相似性。

除此之外,这个结果是未来调查的进一步建议实施一个预处理过程加强结构中包含图像的轮廓和评估这些程序的有效性诊断支持系统。

利益冲突

所有作者声明没有利益冲突有关的出版。

确认

作者想感谢匿名裁判极其有价值的意见和建议。尼古拉Amoroso, Rosangela Errico、保罗Inglese和安德里亚Tateo承认其资金由意大利MIUR格兰特棱镜。PON04a2_A。

引用

1. l . g . Apostolova r·a·达顿拿身份证Dinov et al .,”转换轻度认知障碍的阿尔茨海默病预测的海马萎缩地图,”神经病学档案,卷63,不。5,693 - 699年,2006页。视图:出版商的网站|谷歌学术搜索
2. s . Tangaro p . Inglese r . Maglietta, a . Tateo”MIND-BA:完全自动化的方法基于结构的计算机辅助诊断痴呆的核磁共振数据,”2014年MICCAI学报》上课堂讲稿,在计算机科学中,波士顿,质量,美国,2014年9月。视图:谷歌学术搜索
3. 大肠维罗纳人,卡斯特拉尼,d . Peruzzo m . Bellani Brambilla p,“机器学习方法:从理论到应用于精神分裂症,”计算和数学方法在医学文章ID 867924卷,2013年,12页,2013。视图:出版商的网站|谷歌学术搜索
4. m . Chupin锤子,r . s . n .刘et al .,“自动分割海马和杏仁核由混合约束:方法和验证,”科学杂志,46卷,不。3、749 - 761年,2009页。视图:出版商的网站|谷歌学术搜索
5. j . h .猜拳,z, l . g . Apostolova a . e .绿色,a . w .宽外袍和p . m . Thompson”比较的演算法和支持向量机通过自动化海马分割检测阿尔茨海默氏症,”IEEE医学成像卷,29号1,30-43,2010页。视图:出版商的网站|谷歌学术搜索
6. j . h .猜拳,z, l . g . Apostolova et al .,“验证一个完全自动化的3 d海马分割方法使用主题和阿尔茨海默病轻度认知障碍,和老人控制,”科学杂志,43卷,不。1,59 - 68年,2008页。视图:出版商的网站|谷歌学术搜索
7. b·费施尔“FreeSurfer”,科学杂志,卷62,不。2、774 - 781年,2012页。视图:出版商的网站|谷歌学术搜索
8. s . Tangaro r .征求f·德卡洛et al .,“MAGIC-5:意大利研究乳房摄影的数字化图像数据库”Radiologia正在,卷113,不。4、477 - 485年,2008页。视图:出版商的网站|谷歌学术搜索
9. s . Ciatto d卡西欧,f . Fauci et al .,“计算机辅助诊断(CAD)在乳房x光检查:比较诊断精度的新算法(Cyclopus Medicad)有两个商业系统,”Radiologia正在,卷114,不。4、626 - 635年,2009页。视图:出版商的网站|谷歌学术搜索
10. “a . k . Jain和b•钱德拉塞卡兰39维度和样本大小考虑在模式识别实践中,“统计手册,2卷,第855 - 835页,1982年。视图:出版商的网站|谷歌学术搜索
11. l . Devroye l . Gyorfi g·卢戈西,模式识别的概率理论31卷随机建模和应用概率施普林格,柏林,德国,1996年。视图:出版商的网站|MathSciNet
12. g·l·马沙拉b . Golosio p·奥利瓦et al .,“分类器训练不同的医疗模式:比较研究,“诺沃Cimento德拉公司Italiana di运动的C,28卷,不。6,905 - 912年,2005页。视图:谷歌学术搜索
13. g·l·马沙拉s Tangaro b Golosio et al .,”比较研究质量损伤识别的特征分类方法在数字化乳房x光检查,”诺沃Cimento德拉公司Italiana di运动的C,30卷,不。3、305 - 316年,2007页。视图:出版商的网站|谷歌学术搜索
14. a . Jain和d . Zongker”功能选择:评估、应用程序和小样本的性能,”IEEE模式分析与机器智能,19卷,不。2、153 - 158年,1997页。视图:出版商的网站|谷歌学术搜索
15. j·p·穆勒三世和j . r . Brookeman”三维magnetization-prepared快速gradient-echo成像(3 d议员的愤怒),“磁共振医学,15卷,不。1,第157 - 152页,1990。视图:出版商的网站|谷歌学术搜索
16. 挑战的细节,https://masi.vuse.vanderbilt.edu/workshop2013/index.php/Segmentation。
17. https://masi.vuse.vanderbilt.edu/workshop2013/index.php/NMMProtocol。
18. https://masi.vuse.vanderbilt.edu/workshop2013。
19. n Amoroso, r .征求美国布鲁诺et al .,“检测对于医学图像处理,自动形状分析地标”计算模型的对象在图像III:原理、方法和应用,第142 - 139页,2012年。视图:谷歌学术搜索
20. 美国Tangaro: Amoroso, m . Boccardi et al .,“海马分割的自动化voxel-by-voxel组织分类:方法和验证,”自然史》,30卷,不。8,878 - 887年,2014页。视图:出版商的网站|谷歌学术搜索
21. r . Lienhart和j . Maydt”一组扩展的haar-like特性快速目标检测,”《IEEE国际会议上图像处理,1卷,页我- 900 - 903,2002。视图:出版商的网站|谷歌学术搜索
22. r . m . Haralick“统计纹理和结构的方法,”IEEE学报》,卷67,不。5,786 - 804年,1979页。视图:出版商的网站|谷歌学术搜索
23. r .征求f·德卡洛,s . Tangaro et al .,“一个完全自动化的CAD系统质量检测在一个大乳房摄影数据库”医学物理学,33卷,不。8,3066 - 3075年,2006页。视图:出版商的网站|谷歌学术搜索
24. g . Longo m·布雷西亚g . s . Djorgovski s Cavuoti和c . Donalek“数据驱动的发现在天体物理学中,”诉讼ESAESFRIN会议大数据的空间,Frascati,意大利,2014年11月。视图:谷歌学术搜索
25. y Saeys,即Inza p的票数,“回顾特征选择技术在生物信息学中,“生物信息学,23卷,不。19日,2507 - 2517年,2007页。视图:出版商的网站|谷歌学术搜索
26. n . Sanchez-Marono a Alonso-Betanzos, m . Tombilla-Sanroman“过滤特征选择方法比较研究,”智能数据工程与自动化Learning-IDEAL 2007卷,4881年,页178 - 187,施普林格,2007年。视图:出版商的网站|谷歌学术搜索
27. r . Kohavi和g·h·约翰,”包装特征子集的选择。”人工智能,卷97,不。1 - 2、273 - 324年,1997页。视图:出版商的网站|谷歌学术搜索
28. v . n . Vapnik统计学习理论约翰·威利& Sons,纽约,纽约,美国,1998年。视图:MathSciNet
29. Abdi h和l . j .威廉姆斯,“主成分分析”,威利跨学科评论:计算统计,卷2,不。4、433 - 459年,2010页。视图:出版商的网站|谷歌学术搜索
30. 我优秀”,朴素贝叶斯分类器的一个实证研究,”车间的诉讼经验方法在人工智能(IJCAI 01)展出2001年8月,页41-46,。视图:谷歌学术搜索
31. 盖斯,“预测样本重用方法与应用程序,”美国统计协会杂志》上,卷70,不。350年,第328 - 320页,1975年。视图:出版商的网站|谷歌学术搜索
32. l . r .骰子”措施的生态物种之间的联系,“生态,26卷,不。3、297 - 302年,1945页。视图:出版商的网站|谷歌学术搜索
33. f .教务长、t·福塞特和r . Kohavi”案精度估计的比较归纳算法,”学报》第15届国际会议上机器学习摩根考夫曼,页445 - 553年,1998年。视图:谷歌学术搜索
34. p . Golland w·e·l . Grimson m·e·珊顿和r . Kikinis”检测和统计分析解剖形状的差异,“医学图像分析,9卷,不。1,第86 - 69页,2005。视图:出版商的网站|谷歌学术搜索
35. l . Breiman“随机森林”,机器学习,45卷,不。1,5-32,2001页。视图:出版商的网站|谷歌学术搜索
36. 美国Tangaro: Amoroso, s·布鲁诺et al .,“主动学习机器自动分割MRI海马的”诉讼的工业数据挖掘研讨会会议(ICDM 13),第191 - 181页,2013年。视图:谷歌学术搜索
37. r . Maglietta: Amoroso, s·布鲁诺et al .,“随机森林分类海马分割在3 d图像,先生”学报》第12届国际会议在机器学习和应用程序(ICMLA 13),1卷,页264 - 267,IEEE, 2013年12月。视图:出版商的网站|谷歌学术搜索
38. y弗洛伊德和r·e·Schapire”决策理论泛化的在线学习和提高应用程序,”计算机与系统科学杂志》上,55卷,不。1,第2部分,119 - 139年,1997页。视图:出版商的网站|谷歌学术搜索|MathSciNet

版权

版权©2015年萨拜娜Tangaro等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。