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 *
[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] 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] 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] 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] 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] 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] 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] 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] 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] 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] 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] 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] 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] 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] 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] 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] 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] 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] 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] 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]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。