Diplomová práce

Metody vícenásobného jádrového učení a jejich využití při klasifikaci obrazových dat v neurovědním výzkumu

Multiple kernel learning methods and its usage for image data classification in neuropsychiatry research

Bc. Kristína Vozáriková
Anotace

Cílem této práce je prozkoumat využití metod strojového učení v neuropsychiatrickém výzkumu. Obrazy pořízené magnetickou rezonancí jsou analyzovány pomocí dvou různých metod vícenásobného jádrového učení, a to jednoduchého jádrového učení a kompozitního jádrové učení. Motivací pro využití algoritmů vícenásobného jádrového učení pro diagnostiku pacientů trpících schizofrenií je jejich schopnost zahrnout …více

Abstract

The purpose of this thesis is to investigate the usage of supervised machine learning methods in the neuropsychiatric research. Magnetic resonance images are analyzed by means of two multiple kernel learning methods; specifically, simple multiple kernel learning and composite kernel learning. The motivation for employing multiple kernel learning algorithms for the diagnosis of patients suffering from …více

Klíčová slova
Strojové učení klasifikace metoda podpůrných vektorů lineární diskriminační analýza vícenásobné jádrové učení kompozitní jádrové učení magnetická rezonance schizofrenie.
Zadání práce
Cílem práce je návrh a implementace algoritmů pro analýzu a klasifikaci obrazů mozku pomocí metod vícenásobného jádrového učení. Vytvořené algoritmy budou implementovány v prostředí MATLAB. Konkrétní úkoly řešené v rámci práce budou:
  1. Rešerše odborné literatury zabývající se použitím metod vícenásobného jádrového učení pro klasifikaci obrazů včetně detailního shrnutí aplikací těchto metod při klasifikaci obrazů mozku pacientů s neuropsychiatrickými a neurodegenerativními onemocněními.
  2. Analýza a klasifikace souboru obrazů mozku pacientů se schizofrenií a kontrolních subjektů pomocí metod vícenásobného jádrového učení.
  3. Srovnání úspěšnosti klasifikace se dvěma standardně používanými klasifikačními metodami v neuropsychiatrickém výzkumu, kterými jsou lineární diskriminační analýza a metoda podpůrných vektorů.
Text práce bude vypracován v anglickém jazyce.

Doporučená literatura

  • BISHOP C., 2006: Pattern Recognition and Machine Learning. Springer, New York, 738 pp.
  • CASTRO E., GÓMEZ-VERDEJO V., MARTÍNEZ-RAMÓN M., KIEHL K. A., CALHOUN V. D., 2014: A multiple kernel learning approach to perform classification of groups from complex-valued fMRI data analysis: application to schizophrenia. Neuroimage 87, 1-17.
  • GÖNEN M., ALPAYDIN E., 2011: Multiple Kernel Learning Algorithms. Journal of Machine Learning Research 12, 2211-2268.
  • RAKOTOMAMONJY A., BACH F. R., CANU W., GRANDVALET Y., 2008: SimpleMKL. Journal of Machine Learning Research 9, 2491-2521.
  • SONNENBURG S, RÄTSCH G, SCHÄFER C, SCHÖLKOPF B., 2006: Large scale multiple kernel learning. Journal of Machine Learning Research 7, 1531-1565.
Administrativní informace
Práce zkontrolována:
6. 1. 2017 09:50, RNDr. Eva Koriťáková, Ph.D., učo 184380
Plný text práce
17,5 MB / soubor PDF
Přílohy (1)
Jazyk práce
angličtina angličtina
Termín obhajoby
8. 2. 2017
Práce byla úspěšně obhájena

Vedoucí

RNDr. Eva Koriťáková, Ph.D., učo 184380
IBA SpolP LF MU

Oponent

prof. Ing. Daniel Schwarz, Ph.D., učo 195581
Citovat tuto práci
Masarykova univerzita Přírodovědecká fakulta
Studijní program
Experimentální biologie
Obor

Práce na příbuzné téma

Seznam prací, které mají shodná klíčová slova.

Podobné práce

  • Přidání souboru

    Soubor nebo složku lze nahrát pomocí tlačítka Přidat.

  • Další operace se soubory

    Podrobnosti lze zjistit označením příslušného řádku.

  • Pohled pro experty

    Pro častou práci je možné zvolit režim Více možností.

  • Vyhledávání souborů

    Vyhledávaný výraz můžete zadat přímo do adresního řádku.

  • Rychlý přístup k souborům

    Pomocí funkce Nedávné je možné se rychle vrátit k právě prohlíženým souborům. Oblíbené soubory je také možné označit Hvězdičkou.