許多醫學影像資料皆具備三維度的張量結構，在根據其進行分類時，容易造成儲存空間不足與運算時間過長。本研究探討不同維度縮減方法，如: 多線性主成份分析 (Multilinear Principal Component Analysis，MPCA)、非負矩陣分解 (Nonnegative Matrix Factorization，NMF) 等，對影像數據進行前處理之效益，希能保留其重要特徵並縮減資料量，以做後續分類之用。接著使用卷積神經網路 (Convolutional Neural Network，CNN) 建立分類模型，並透過交叉驗證的方式進行神經網路模型內超參數的挑選，以及使用 ROC 曲線與 AUC 評估模型適合度。本研究以大腦單光子電腦斷層掃描為例，藉由上述方法挑選出使得分類結果較佳的組合，做為未來輔助醫師診斷的工具。

There are plenty of medical image data which have three-dimensional tensor structure. While analyzing the image data, due to the high dimensionality of the data, it would easily cause lack of memory and long computing time. In order to preserve the important features and reduce the dimensionality of data for the statistical analysis later on, such as classification of the status of the observed subjects with certain types of image data. This study discusses the benefits of different dimensional reduction methods while dealing with image data, such as Multilinear Principal Component Analysis (MPCA), Nonnegative Matrix Factorization (NMF), etc. Next we build classification model using the Convolution Neural Network (CNN) and select hyperparameters within the Artificial Neural Network (ANN) model by using cross-validation and evaluate the goodness of fit of the model using the Receiver Operating Characteristic (ROC) curves and area under curve. In this work, we classify the status of the subjects with the Single-Photon Emission Computed Tomography of the brain. We can select the combination that makes the classification result by taking the majority vote of the above methods which may be a useful tool for assisting physician making accurate diagnosis.

論文審定書 i
誌謝 ii
摘要 iii
Abstract iv
1. 前言 1
2. 研究簡介 1
2.1 資料蒐集方式 1
2.2 資料預處理 2
2.2.1 非負矩陣分解 2
2.2.2 多線性主成份分析 3
2.2.3 轉灰階並等比例縮減 3
3. 研究方法 3
3.1 維度縮減 4
3.1.1 非負矩陣分解 4
3.1.2 多線性主成份分析 5
3.2 深度學習模型之建立 6
3.2.1 卷積神經網路 6
3.2.2 多層感知機 7
3.2.3 反向傳導演算法 9
3.3 交叉驗證 9
3.4 ROC 曲線 10
4. 流程架構圖 11
4.1 維度縮減結合卷積神經網路 11
4.2 模型架構與判斷節點流程圖 12
5. 研究結果 14
5.1 分類待檢測組與嚴重不正常組 14
5.1.1 交叉驗證挑選超參數組合之結果 14
5.1.2 建立卷積神經網路模型進行影像辨識之結果 15
5.1.3 模型比較(一) 17
5.1.4 利用 ROC 曲線建立最佳分類門檻 18
5.1.5 模型比較(二) 19
5.1.6 模型混和 19
5.2 分類待檢測組內正常與輕微不正常 20
5.2.1 交叉驗證挑選超參數組合之結果 20
5.2.2 建立卷積神經網路模型進行影像辨識之結果 21
5.2.3 模型比較(一) 23
5.2.4 利用 ROC 曲線建立最佳分類門檻 24
5.2.5 模型比較(二) 25
5.3 視覺化每一層輸出結果 25
5.3.1 卷積層 25
5.3.2 池化層 27
5.3.3 平坦層 27
5.3.4 隱藏層 28
5.3.5 輸出層 29
5.3.6 隱藏層二與輸出層之間的權重 29
5.3.7 隱藏層一與隱藏層二之間的權重 30
5.3.8 平坦層與隱藏層一之間的權重 30
6. 總結 32
參考文獻 33
A 附錄一 34
A.1 非負矩陣分解演算法詳解 34
A.2 多線性主成份分析演算法詳解 34
A.3 卷積計算詳解 35
A.4 卷積補零示意圖 35
A.5 一般池化詳解 35
A.6 重疊池化詳解 36
A.7 空間金字塔池化詳解 36
A.8 反向傳導演算法詳解 37
A.9 自適應動量估計演算法 37
B 附錄二 38
B.1 各方法之超參數組合結果比較表 38
B.2 視覺化卷積層結果 41
B.3 視覺化池化層結果 42

Choi, H., Ha, S., Im, H. J., Paek, S. H., and Lee, D. S. (2017). Refining diagnosis of Parkinson's disease with deep learning-based interpretation of dopamine transporter imaging. NeuroImage: Clinical, 16, 586-594.

Goodfellow, I., Bengio, Y., Courville, A., and Bengio, Y. (2016). Deep learning (Vol. 1). Cambridge: MIT press.

James, G., Witten, D., Hastie, T., and Tibshirani, R. (2013). An introduction to statistical learning (Vol. 112). New York: springer.

Kingma, D. P., and Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.

Kohavi, R. (1995, August). A study of cross-validation and bootstrap for accuracy estimation and model selection. In Ijcai (Vol. 14, No. 2, pp. 1137-1145).

Lee, D. D., and Seung, H. S. (2001). Algorithms for non-negative matrix factorization. In Advances in neural information processing systems (pp. 556-562).

Lu, H., Plataniotis, K. N., and Venetsanopoulos, A. N. (2008). MPCA: Multilinear principal component analysis of tensor objects. IEEE transactions on Neural Networks, 19(1), 18-39.

S. Haykin (2009). Neural Networks and Learning Machines, Pearson Education, Inc., Upper Saddle River, New Jersey.

Stathakis, D. (2009). How many hidden layers and nodes?. International Journal of Remote Sensing, 30(8), 2133-2147.

Zhang, Y. N. (2017). Can a Smartphone Diagnose Parkinson Disease? A Deep Neural Network Method and Telediagnosis System Implementation. Parkinson's Disease, 2017.

楊小瑩 (2012)，主成分分析與稀疏主成分分析分類效果之比較應用於左心室心臟超音波資料之研究，國立中山大學應用數學系碩士論文。

劉瑋毅 (2013)，主成分與多線性主成分因素分析分類效果之比較左心室心臟超音波資料之實證研究，國立中山大學應用數學系碩士論文。

李偉鈴 (2016)，人臉辨識唐氏症患者之分類方法，國立中山大學應用數學系碩士論文。

Keras Documentation. https://keras.io/models/about-keras-models/