特征表達是基于磁共振成像（MRI）的帕金森病（PD）計算機輔助診斷系統診斷準確性的重要決定因素。深度多項式網絡（DPN）是一種新的有監督深度學習算法，對于小數據集具有良好的特征表達能力。本文提出一種面向 PD 計算機輔助診斷的棧式 DPN（SDPN）集成學習框架，以有效提高基于小數據的 PD 輔助診斷準確性。本框架對所提取的 MRI 特征的每一個特征子集分別通過 SDPN 得到新的特征表達，然后采用支持向量機（SVM）對每個子集進行分類，再對所有分類器進行集成學習，得到最終的 PD 診斷結果。通過對公開的帕金森病數據庫 PPMI 進行實驗，基于腦網絡特征的分類精度、敏感度和特異性分別為 90.15%、85.48% 和 93.27%；而基于多視圖腦區特征的分類精度、敏感度和特異性分別為 87.18%、86.90% 和 87.27%。與在 PPMI 數據庫中的 MRI 數據集進行實驗的其他算法研究相比，本文所提出的算法獲得了更好的分類結果。本文研究表明了所提出的 SDPN 集成學習框架的有效性，具有應用于 PD 計算機輔助診斷的可行性。
神經影像技術目前已經應用于精神分裂癥的診斷。為了提升基于單模態神經影像的精神分裂癥計算機輔助診斷（CAD）的性能，本文提出一種基于特權信息學習（LUPI）分類器的集成學習算法。該算法首先對單模態數據采用極限學習機-自編碼器（ELM-AE）進行特征二次學習，然后通過隨機映射算法將高維特征隨機分成多個子空間，并進行兩兩組合形成源領域和目標領域數據對，用于訓練多個支持向量機+（SVM+）弱分類器，最終通過集成學習獲得一個強分類器，實現有效的模式分類。本算法在公開的精神分裂癥神經影像數據庫中進行了實驗，包括結構磁共振成像和功能磁共振成像數據。結果表明該算法取得了最優的診斷結果，其在基于結構磁共振成像診斷的分類精度、敏感性和特異性分別可以達到 72.12% ± 8.20%、73.50% ± 15.44% 和 70.93% ± 12.93%，而基于功能磁共振成像診斷的分類精度、敏感性和特異性分別為 72.33% ± 8.95%、68.50% ± 16.58%、75.73% ± 16.10%。本文算法的主要創新點在于克服了傳統的 LUPI 分類器需要額外的特權信息模態的不足，可以直接應用于單模態數據分類問題，而且還提升了分類性能，因此具有較為廣泛的應用前景。
睡眠質量與人體健康密切相關,睡眠狀態的正確分期對于睡眠質量的評估、睡眠相關疾病的診斷分析都具有重要的意義。多導睡眠(PSG)信號常用于記錄和分析睡眠狀態,而有效的特征提取和表達方法是提高睡眠分期準確性的重要環節。本文提出采用協作表示(CR)方法重新表達腦電(EEG)信號的特征,并進一步采用核熵成分分析(KECA)對CR特征進行降維。為驗證本文提出算法的有效性,將CR-KECA特征與原始特征、CR特征和CR經過主成分分析(PCA)降維后的特征進行對比,實驗結果表明:基于CR-KECA方法的特征獲得了最好的睡眠狀態分期性能,其準確率、敏感度和特異性分別為68.74%±0.46%、68.76%±0.43%、92.19%±0.11%,明顯優于CR-PCA特征、CR特征和原始特征;同時,CR算法計算復雜度非常低,而且KECA降維后的特征維度更小,因而適于臨床海量睡眠數據的分析。
特征表達和分類器的性能是決定計算機輔助診斷（CAD）系統性能的重要因素。為了提升基于超聲成像的乳腺癌 CAD 系統的性能，本文提出了一種基于自步學習（SPL）的多經驗核映射（MEKM）排他性正則化機（ERM）集成分類器算法，能同時提升特征表達和分類器模型的性能。該算法首先通過 MEKM 映射得到多組特征，以增強特征表達能力，并嵌入到 ERM 作為多個支持向量機的核變換；然后采用 SPL 策略自適應地選擇樣本，由易到難地逐步訓練 ERM 集成分類器模型，從而提升分類器的性能。該算法分別在乳腺癌 B 型超聲數據庫和彈性超聲數據庫上進行了驗證，結果顯示 B 型超聲的分類準確率、敏感度和特異性分別為 （86.36±6.45）%、（88.15±7.12）% 和 （84.52±9.38）%，而彈性超聲的分類準確率、敏感度和特異性分別為 （85.97±3.75）%、（85.93±6.09）% 和 （86.03±5.88）%。實驗結果表明，本文所提出算法能有效提升乳腺超聲 CAD 的性能，具有投入實用的潛能。