{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期部分”：[[2024,8,7]]，“日期时间”：“2024-08-07T01:10:36Z”，“时间戳”：1722993036567}，“参考计数”：21，“出版商”：“富士技术出版社”，“问题”：“1”，“内容域”：{“域”：[]，“交叉标记限制”：false}，”short-container-title“：[”J.高级。计算。智力。智力。通知。“，”JACIII“]，”published-print“：{”date-parts“：[[2017,1,20]]}，”abstract“：”冠状动脉斑块的组织特征是评估患者动脉粥样硬化过程及其破裂的潜在风险的重要任务。借助血管内超声（IVUS）医学成像技术，从组织中获取超声反射信号，然后通过计算机辅助设备将其用于动脉内部的可视化。通常，组织的特征是基于对其响应回波强度的分析。然而，各种因素的支配和数据的稳健性是IVUS分类问题的现实挑战。可视化的质量完全取决于所提出的描述性特征分类器及其算法。在本研究中，我们的目标是使用分类受限的玻尔兹曼机器（ClassRBM）来表征IVUS组织。我们建议将从时域信号中提取的特征模式二值化，以用于ClassRBM的输入。结果表明，与传统的后向散射积分IVUS方法（IB-IVUS）相比，在相同的任务中，该方法具有更好的评估效果<\/jats:p>“，”DOI“：”10.20965\/jacii.2017.p0067“，”type“：”journal-article“，”created“：{”date-parts“：[[2017,1,20]]，”date-time“：”2017-01-20T01:06:05Z“，”timestamp“：1484874365000}，”page“：“：”10.20965“，“卷”：“21”，“作者”：[{“给定”：“阮仲”，“家族”：“孔”，“序列”：“第一”，“从属关系”：[]}，{“名称”：“山口大学科学与工程研究生院”，“顺序”：“第二”，“附属关系”：[]}、{“已知”：“Eiji”、“家庭”：“Uchino”，“序号”：“附加”，“隶属关系”：【】}，}“给定的”：“Noriaki”，“家人”：“Suetake”，“sequence”：“additional“，”affiliation“：[]}，{“name”：“Fuzzy Logic Systems Institute”，“sequence”：“additional”，“affiliation:[]}]，“member”：“8550”，“published-on-line”：{“date-parts”：[[2017,1,20]]}、“reference”：[{“key”：“key-10.20965\/jacii.2017.p0067-1”、“doi-asserted-by”：“crossref”，”“unstructured”：“A.C.v.d.Wal and A.E。Becker，《动脉粥样硬化斑块破裂斑块稳定性和不稳定性的病理基础》，《心血管研究》，第41卷，第2期，第334-344页，1999年。Dolla和S.P.Marso，《冠状动脉粥样硬化的血管内超声射频分析：脆弱斑块评估的新兴技术》，《欧洲心脏杂志》，第28卷，第11期，第1283-1288页，2007年。“，“DOI”：“10.1093”：“eurhearj”：“ehm112”}，{“key”：“key-10.20965”：“jacii.2017.p0067-3”，“DOI-asserted-by”：“crossref”，“非结构化”：“M.川崎、H.高松、T.野田佳彦、K.Sano、Y.伊藤、K.Hayakawa、K.Tsuchiya、M.荒井、K.Nishigaki、G.Takemura、S.Minatoguchi、T.Fujiwara和H.Fujiwara，使用集成背向散射血管内超声对人类冠状动脉斑块进行Invivo定量组织表征，并与血管造影检查结果进行比较，《循环》，第105卷，第21期，第2487-2492页，2002年。“，“DOI”：“10.1161。CIR.0000017200.47342.10”}，{“key”：“key-10.20965”，jacii.2017.p0067-4”，“DOI-asserted-by”：“crossref”，“非结构化”：“A.Katouzian、B.Baseri、E.E.Konofagou和S.G.Carlier，《血管内超声（IVUS）表征动脉粥样硬化斑块的挑战：从数据收集到分类》，IEEE Trans。《生物医学信息技术》，第12卷，第3期，第315-327页，2008年。“，“DOI”：“10.1109\/TITB.2007.912352”}，{“key”：“key-10.20965\/jacii.2017.p0067-5”，“DOI-asserted-by”：“crossref”，“unstructured”：“F.Ciompi，C.Gatta，O.Pujol，O.Rodriguez-Leor，J.M.Ferr\u00e9，and P。Radeva，《血管内超声序列的重建与分析》，《生物医学信号处理的最新进展》，第223卷，第243期，第231-250页，2011年。Yock，《血管内超声：新的病理生理学见解和当前的临床应用》，《循环》，第103卷，第4期，第604-616页，2001年。加西亚，从不平衡数据中学习，IEEE Trans。《知识与数据工程》，第21卷，第9期，第1263-1284页，2009年。“，“DOI”：“10.1109\/TKDE.2008.239”}，{“key”：“key-10.20965\/jacii.2017.p0067-8”，“DOI-asserted-by”：“crossref”，“unstructured”：“A.D.Addabbo and R。Maglietta，《不平衡大数据分类的并行选择性抽样方法》，《模式识别快报》，第62卷，第61-67页，2015年。“，“DOI”：“10.1016\/j.patrec.2015.008”}，{“key”：“key-10.20965\/jacii.2017.p0067-9”，“DOI-asserted-by”：“crossref”，“unstructured”：“G.E。Hinton，通过最小化对比度差异来培训专家产品，《神经计算》，第14卷，第8期，第1771-1800页，2002年。“，“DOI”：“10.1162”，{“key”：“key-10.20965”，jacii.2017.p0067-10“，“DOI-asserted-by”：“crossref”，“unstructured”：“A.Fischer and C。Igel，\u201cTraining restricted Boltzmann machines:An introduction，\u201 d Pattern Recognition，Vol.47，No.1，pp.25-392014.“，“DOI”：“10.1016\/j.patcog.2013.05.025”}，{“key”：“key-10.20965\/jacii.2017.p0067-11”，“DOI-asserted-by”：“crossref”，“unstructured”：“G.E.Hinton，S.Osindero，and Y.W。Teh，\u201cA深度信念网的快速学习算法，\u201 d神经计算，第18卷，第7期，第1527-1544页，2006年。“，“DOI”：“10.1162”，neco.2006.1827“}，{“key”：“key-10.20965”，jacii.2017.p0067-12“，“非结构化”：“H.Larochelle，M.Mandel，R.Pascanu，and Y。Bengio，\u201c分类受限玻尔兹曼机的学习算法，\u201d机器学习研究，第13卷，第1期，第643-6692012页。Hinton，《训练受限Boltzmann机器的实用指南》，《计算机科学讲义》，柏林施普林格出版社，第7700卷，第599-619页，2012年。Hinton，\u201cA new learning algorithm for mean field Boltzmann machines，\u201 D Artificial Neural Networks\u2013 ICANN，Springer Berlin，Vol.2415，pp.351-357，2002.“}，{”key“：”key-10.20965\/jacii.2017.p0067-15“，”doi-asserted-by“：”crossref“，”unstructured“：”M.D.Martino，A.Fern\u00e1ndez，P.Iturralde，and F。Lecumberry，用于不平衡问题的新型分类器方案，《模式识别快报》，第34卷，第10期，第1146-1151页，2013年。“，“DOI”：“10.1016\/j.patrec.2013.03.012”}，{“key”：“key-10.20965\/jacii.2017.p0067-16”，“DOI-asserted-by”：“crossref”，“unstructured”：“V.L\u00f3pez，A.Fern\u00e1ndez，S.Garc\u00eda，V.Palade，and F。Herrera，《用不平衡数据进行分类的洞察力：使用数据内在特征的实证结果和当前趋势》，《信息科学》，第250卷，第113-141页，2013年。“，“DOI”：“10.1016\/j.ins.2013.07.007”}，{“key”：“key-10.20965”\/jacii.2017.p0067-17“，”DOI-asserted-by“：”crossref“，”非结构化“：”S.Wang和X。Yao，\u201c《多类不平衡问题：分析和潜在解决方案》，IEEE Trans。《系统、人与控制论》，B部分（控制论），第42卷，第4期，第1119-1130页，2012年。Tibshirani，\u201c通过成对耦合进行分类，\u201d Proc。1997年神经信息处理系统进展会议第10期，美国马萨诸塞州剑桥市，第507-5131998页，{“key”：“key-10.20965\/jacii.2017.p0067-20”，“doi-asserted-by”：“crossref”，“unstructured”：“M.Kubat，R.Holte，and S.Matwin，\u201cLearning when negative examples building，\u 201d Proc.of the 9th European Conf.on Machine Learning（ECML\u201997），Springer-Verlag，pp.146-1531997.”，“doi”：“10.1007\/3-540-62858-4_79”}，{”key：“key-10.20965 \/jacii.2017.p0067-21”，“doi-asserted-by”：“交叉引用”，“非结构化”：“D.Micari，M.Pascotto，A.R.Jayaweera，J.Sklenar，N.C.Goodman，and S。Kaul，超声心肌的周期性变化综合后向散射是由于未闭心肌微血管数量的阶段性变化所致，《医学超声杂志》，第25卷，第8期，第1009-1019页，2006年《高级计算智能与智能信息学杂志》“]，”original-title“：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/www.fujipress.jp\/main\/wp-content\/themes\/fujipress\/phyosetsu.php？ppno=JACIL002100010008“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”存放“：{”date-parts“：[[2019,9,17]]，“date-time”：“2019-09-17T19:39:26Z”，“timestamp”：1568749166000}，“score”：1，“resource”：{“primary”：{“URL”：“https:\/\/www.fujipress.jp\/jacii\/jc\/jacial002100010067”}，”subtitle“：[]，”shorttitle“：[]，”issued“：{”date-part“：[2017,1,20]]}”，“references-count”：21，“新闻发布”：{“发布”：“1”，“在线发布”：date-parts“：[[2017,1,20]]}，”published-print“：{”date-part“：[[2017,1,20]]}}，“URL”：“http://\/dx.doi.org\/10.20965\/jacii.2017.p0067”，“relationship”：{}，‘ISSN’：[“1883-8014”，“1343-0130”]，‘ISSN-type’：[{”type“：”electronic“，”value“：“1883-814”}，{“type”：“print”，“value“：”1343-0130“}]，“subject”：[]，“published”：{“date-parts”：[[2017,1,20]]}}