顶部>JACIII公司>冠状动脉斑块的IVUS组织特征分类。。。

单jc.php

JACIII第21卷第1期第67-73页
doi:10.20965/jaciii.2017.p0067
(2017)

纸张：

过去60天的浏览量： 1,040

分类限制Boltzmann机对冠状动脉斑块的IVUS组织表征

阮仲宽（Nguyen Trong Kuong）*，Eiji Uchino*,**，和Noriaki Suetake*

*山口大学科学与工程研究生院
1677-1吉田，山口753-8512，日本

**模糊逻辑系统研究所
日本福冈市Iizuka河津680-41号，邮编820-0067

收到：
2016年3月8日
认可的：
2016年11月7日
出版：
2017年1月20日
Creative Commons许可证
关键词：
动脉粥样硬化冠状动脉斑块，射频信号，血管内超声，分类受限玻尔兹曼机
摘要
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。
引用本文为：
N.Kuong、E.Uchino和N.Suetake，“通过分类限制的Boltzmann机器对冠状动脉斑块进行IVUS组织表征”高级计算杂志。智力。智力。通知。2017年，第21卷第1期，第67-73页。
数据文件：
工具书类
  1. [1] A.C.v.d.Wal和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。
  2. [2] S.K.Mehta、J.R.McCrary、A.D.Frutkin、W.J.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。
  3. [3] M.Kawasaki、H.Takatsu、T.Noda、K.Sano、Y.Ito、K.Hayakawa、K.Tsuchiya、M.Arai、K.Nishigaki、G.Takemura、S.Minatoguchi、T.Fujiwara和H.Fujiwara，“使用集成后向散射血管内超声对人类冠状动脉斑块进行活体定量组织表征，并与血管镜检查结果进行比较，”《循环》，第105卷，第21期，第2487-24922002页。
  4. [4] 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315-3272008页。
  5. [5] F.Ciompi、C.Gatta、O.Pujol、O.Rodriguez-Leor、J.M.Ferré和P.Radeva，“血管内超声序列的重建和分析”，《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。
  6. [6] S.E.Nissen和P.Yock，“血管内超声：新的病理生理学见解和当前临床应用”，《循环》，第103卷，第4期，第604-616页，2001年。
  7. [7] H.He和E.A.Garcia，“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。
  8. [8] A.D.Addabbo和R.Maglietta，“不平衡和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。
  9. [9] G.E.Hinton，“通过最小化对比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。
  10. [10] A.Fischer和C.Igel，“训练受限的Boltzmann机器：简介”，模式识别，第47卷，第1期，第25-39页，2014年。
  11. [11] G.E.Hinton、S.Osindero和Y.W.Teh，“深度信念网络的快速学习算法”，《神经计算》，第18卷，第7期，第1527-1544页，2006年。
  12. [12] H.Larochelle、M.Mandel、R.Pascanu和Y.Bengio，“分类受限Boltzmann机器的学习算法”，机器学习研究，第13卷，第1期，第643-669页，2012年。
  13. [13] G.E.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599-6192012页。
  14. [14] M.Welling和G.E.Hinton，“平均场Boltzmann机器的新学习算法”，人工神经网络-ICANN，Springer Berlin，第2415卷，第351-357页，2002年。
  15. [15] M.D.Martino、A.Fernández、P.Iturralde和F.Lecumberry，“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。
  16. [16] V.López、A.Fernández、S.GarcíA、V.Palade和F.Herrera，“对不平衡数据分类的洞察：使用数据内在特征的经验结果和当前趋势”，《信息科学》，第250卷，第113-141页，2013年。
  17. [17] S.Wang和X.Yao，“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。
  18. [18] T.Hastie和R.Tibshirani，“成对耦合分类”，Proc。1997年神经信息处理系统进展会议10，美国马萨诸塞州坎布里奇，第507-5131998页。
  19. [19] R.Rifkin和A.Klautau，“为一对所有分类辩护”，《机器学习研究杂志》，第5卷，第101-141页，2004年。
  20. [20] M.Kubat、R.Holte和S.Matwin，“当负面例子大量出现时学习”，Proc。第九届欧洲机器学习会议（ECML’97），Springer-Verlag，第146-153页，1997年。
  21. [21]D.Micari、M.Pascotto、A.R.Jayaweera、J.Sklenar、N.C.Goodman和S.Kaul，“超声心肌的周期性变化综合后向散射是由于心肌微血管未闭数量的阶段性变化引起的”，《超声医学杂志》，第25卷，第8期，第1009-1019页，2006年。

Creative Commons许可证 本文发表于Creative Commons Attribution-NoDerivatives 4.0国际许可证。

*该网站是基于HTML5和CSS3为现代浏览器设计的，例如Chrome、Firefox、Safari、Edge、Opera。

上次更新日期：2024年9月20日