使用PET成像的非稀疏无限核学习来自动识别阿尔茨海默氏病

最近,将多核学习机(MKLM)引入计算机辅助痴呆识别和病理学进展跟踪的研究中。 尽管其良好的性能,特别是在使用异构数据的情况下,这种学习模式及其变体通常利用L1范数约束,该约束会促进稀疏解,这可能会导致潜在的重要信息丢失。 在本文中,我们提出了一种非稀疏的无限核学习机(NS-IKLM),用于从正常对照中自动识别阿尔茨海默氏病。 在我们的方法中,修改后的约束条件用于促进非稀疏解决方案,并且在学习过程中会自动调整内核参数。 已对选自阿尔茨海默氏病神经创动倡议(ADNI)队列的一组FDG-PET图像进行了评估,对所提出的算法进行了评估。 我们的结果表明,提出的非稀疏NS-IKLM能够以相对较低的计算成本实现令人满意的痴呆症识别。