科研前线 | 邢磊教授最新研究登Nature Biomedical Engineering杂志

 收藏

关键词：新研究NatureNat

资讯来源：汇医慧影

所属行业：可穿戴医疗设备终端产品

发布时间： 2020-11-11

降维在数据的可视化、压缩、挖掘和分类等方面具有广泛应用，但目前没有一个普遍适用的降维解决方案。近日，斯坦福大学放疗科医学物理部主任、汇医慧影顾问科学家邢磊教授和Md Tauhidul Islam博士合作研究并发布了一个精确且可广泛适用的由数据驱动的“特征增强嵌入机（FEM）”降维算法。

11月2日，该项研究成果以《生物医学数据模式的数据驱动降维算法》（“A data-driven dimensionality-reduction algorithm for the exploration of patterns in biomedical data” ）为题，在线发表于Nature Biomedical Engineering杂志。（IF = 18.952）

此前邢磊教授与Liyue Shen, Wei Zhao共同发布的《基于深度学习的特定患者单投影三维ct图像重建相关研究》一文同样于Nature Biomedical Engineering杂志在线发表，该研究探讨了通过深度学习进行体积重建在放射治疗和针吸活检等图像引导的介入过程中的作用。本文节选两篇文章的部分内容分享，另附全文链接，欢迎浏览查看、共同探讨。

A data-driven dimensionality-reduction algorithm for the exploration of patterns in biomedical data

Journal：

nature biomedical engineering

Author:

Md Tauhidul Islam, Lei Xing

FEM算法主要包括三个步骤：（1）K子空间聚类，（2）K中心聚类和（3）自动编码。在这三个步骤的每一步中，都会随机初始化参数以开始计算。在（1）中，正交子空间是随机选择的；在（2）中，数据簇的中心是随机选择的；在（3）中，初始神经元权值是随机选择的。以上初始化设置，保证了FEM算法的稳定性，并有望为所有初始化提供合理的结果。且较之于以往的分类、降维算法，FEM算法兼顾了距离度量和中心趋势度量两个因素，因此具备更强的应用性及准确性。

研究利用大量不同类型的数据进行测试，结果表明，不论是在何种测试数据中，不论是两类数据或者多类数据，该技术在揭示蛋白质表达和单细胞RNA测序、计算机断层扫描、脑电图和可穿戴生理传感器等数据集中的潜在主导趋势方面都是有效的。

图1：FEM算法工作流程图

图2：生物医学数据的分类

该研究还利用支持向量机二进制学习器，以聚类标记为目标变量，以不同方法嵌入的坐标作为训练变量，训练出一个多类纠错输出码模型。将该模型用于以上数据集的测试结果表明，不管是准确性Accuracy还是NMI指数，FEM算法的分类能力均优于其他对比算法。

浏览全文

Patient-specific reconstruction of volumetric computed tomography images from a single projection view via deep learning

Journal：

nature biomedical engineering

Author:

Liyue Shen, Wei Zhao, Lei Xing

通过深度学习进行体积重建在放射治疗和针吸活检等图像引导的介入过程中非常有用，并且很有可能有助于简化断层成像系统的硬件。美国斯坦福大学教授邢磊及其团队研究并训练了一种深度学习模型，用于具有超稀疏数据采样和特定患者的体积成像工作，并用腹部、肺部和脑部影像数据进行验证。模型的输入为具有不同角度的单个或多个二维投影图像，输出则为相应的三维图像。

结果表明，即使只有一个单一的2D投影，该模型也能够实现三维图像重建。腹部CT在1,2,5,10个2D投影进行CT重建后，总体结构相似性均在0.929以上，而肺部CT重建结果的总体结构相似性均在0.817以上。

浏览全文

作者简介

邢磊教授

斯坦福大学终身教授，斯坦福大学医学物理部主任，从事智能医学，医学影像、放射肿瘤物理，以及医学生物信息方面的研究超过20多年。同时兼任斯坦福大学电子工程系、分子影像、生物信息专业以及Bio-X的兼职教授。在医学影像和医学物理方面发表论文400篇多篇，获得多个ACS，NIH，DOD，NSF， RSNA，及工业界的重大科研项目，是谷歌学者奖获得者，AAPM以及AMBIE的院士。