Метод сегментации результатов MALDI-спектрометрии на основе графических вероятностных моделей
Ключевые слова:
MALDI, масс-спектрометрия, сегментация, графическая модель, LDA, марковская сеть, модель ИзингаАннотация
В работе рассматривается задача сегментации масс-спектрометрических изображений, полученных методом MALDI. Предлагается подход, основанный на применении графических моделей (модели LDA и марковских сетей) для решения задачи. Рассматриваются несколько модификаций подхода и проводится сравнение с известными решениями; выделяются преимущества предлагаемого подхода.Литература
Alexandrov T., Kobarg J. H. Efficient spatial segmentation of large imaging mass spectrometry datasets with spatially aware clustering // Bioinformatics. 2011. Vol. 27. P. i230-i238
Besag J. On spatio-temporal models and Markov elds // Transactionsof the 7th Prague Conference on Information Theory, Statistical DecisionFunctions and Random Processes. Academia, 1974. P. 47-75
Besag J. On the statistical analysis of dirty pictures // Journal of the Royal Statistical Society. 1986. Vol. B-48. P. 259-302
Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006
Blei D. M., Jordan M. I., Griths T. L., Tennenbaum J. B. Hierarchical Topic Models and the Nested Chinese Restaurant Process // Advances in Neural Information Processing Systems. 2004. Vol. 13
Blei D. M., Lafferty J. D. Correlated topic models // Advances in Neural Information Processing Systems. 2006. Vol. 18
Blei D. M., Ng A. Y., Jordan M. I. Latent Dirichlet allocation // Journal of Machine Learning Research. 2003. Vol. 3, N. 4-5. P. 993-1022
Casella G., George E. I. Explaining the Gibbs sampler // The American Statistician. 1992. Vol. 46. P. 167-174
Geman S., Geman D. Stochastic relaxation, Gibbs distributions, and the Bayesian restoration of images // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1984. Vol. 6. P. 721-741
Hinton G. E. Training Products of Experts by Minimizing Contrastive Divergence // Neural Computation. 2002. Vol. 14. P. 1771-1800
Hinton G. E. What kind of a graphical model is the brain? // Proceedings of the 19th International Joint Conference on Articial Intelligence. 2005. P. 1765-1775
Hinton G. E. A practical guide to training restricted Boltzmann machines. http://www.cs.toronto.edu/ hinton/absps/guideTR.pdf. 2012
Hinton G. E., Osindero S., The Y.-W. A fast learning algorithm for deep belief nets // Neural Computation. 2006. Vol. 18. P. 1527-1554
Hudak P., Hughes J., Jones S. P., Wadler P. Some Methods for classification and Analysis of Multivariate Observations // Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and ProbabilityBerkeley, University of California Press, 1967. P. 281-297
Jordan M. I., Weiss Y. Graphical models: probabilistic inference // Handbook of Neural Networks and Brain Theory / Ed. by M. Arbib. MIT Press, 2002
Kanungo T., Mount D. M., Netanyahu N., Piatko C., Silverman R., Wu A. Y. An Ecient kmeans Clustering Algorithm: Analysis and Implementation // IEEE Trans. Pattern Analysis and Machine Intelligence. 2002. Vol. 24. P. 881-892
Lacoste-Julien S., Sha F., Jordan M. I. Disclda: Discriminative learning for dimensionality reduction and classication // Advances in Neural Information Processing Systems 20 / Ed. by J. Platt, D. Koller, Y. Singer, S. Roweis. Cambridge, MA: MIT Press, 2008
Li S. Z. Markov Random Field Modeling in Image Analysis. Advances in Pattern Recognition. Springer, 2009
MacKay D. J. Information Theory, Inference and Learning Algorithms. Cambridge University Press, 2003
Pearl J. Probabilistic reasoning using graphs // Uncertainty in Knowledge-Based Systems / Ed. by B. Bouchon, R. R. Yager. Springer-Verlag, 1987. P. 201-202
Pearl J. Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. NY etc.: Morgan Kaufmann, 1994
Perez P. Markov random elds and images // CWI Quarterly. 1998. P. 413-437
Prince S. Computer Vision: Models, Learning, and Inference. Cambridge University Press, 2012
Robert C. P., Casella G. Monte Carlo Statistical Methods. New York Springer-Verlag, 2004
Shyr A., Darrell T., Jordan M. I., Urtasun R. Supervised hierarchical Pitman-Yor process for natural scene segmentation // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2011. P. 2281-2288
Sudderth E., Jordan M. I. Shared segmentation of natural scenes using dependent Pitman-Yor processes // Advances in Neural Information Processing Systems 20 / Ed. by J. Platt, D. Koller, Y. Singer, S. Roweis. Cambridge, MA: MIT Press, 2008
Teh Y. W., Jordan M. I., Beal M. J., Blei D. M. Hierarchical Dirichlet processes // Journal of the American Statistical Association. 2004. Vol. 101, N. 476. P. 1566-1581
Watrous J. D., Alexandrov T., Dorrestein P. C. The evolving field of imaging mass spectrometry and its impact on future biological research // Journal of Mass Spectrometry. 2011. Vol. 46, N. 2. P. 209-222
Николенко С. И., Тулупьев А. Л. Самообучающиеся системы. М.: МЦНМО, 2009. 288 c.
Сироткин А. В. Байесовские сети доверия: дерево сочленений и его вероятностная семантика // Труды СПИИРАН. 2006. Т. 1, № 3. С. 228-239
Сироткин А. В. Вычислительная сложность алгоритмов локального апостериорного вывода в алгебраических байесовских сетях // Труды СПИИРАН. 2011. С. 188-214
Сироткин А. В., Тулупьев А. Л. Локальный априорный вывод в алгебраических байесовских сетях: комплекс основных алгоритмов // Труды СПИИРАН. 2007. № 5. С. 100-111
Тулупьев А. Л., Николенко С. И., Никитин Д. А., Сироткин А. В. Синтез апостериорных оценок истинности суждений в интегрированных базах знаний: детерминированный вариант // Известия высших учебных заведений: Приборостроение. 2006. № 11. С. 35-39
Тулупьев А. Л., Николенко С. И., Сироткин А. В. Байесовские сети: логико-вероятностный подход. СПб.: Наука, 2006. 608 с.
Тулупьев А. Л., Николенко С. И., Сироткин А. В. Синтез апостериорных оценок при поступлении свидетельств с неопределенностью в интегрированную систему знаний о неточных вероятностях // Известия высших учебных заведений: Приборостроение. 2006. № 11. С. 39-44
Тулупьев А. Л., Сироткин А. В., Николенко С. И. Синтез согласованных оценок истинности утверждений в интеллектуальных информационных системах // Известия высших учебных заведений: Приборостроение. 2006. № 7. С. 20-26
Тулупьев А. Л., Сироткин А. В., Николенко С. И. Байесовские сети доверия: логико-вероятностный вывод в ациклических направленных графах. СПб.: Изд-во С.-Петербургского ун-та, 2009. 400 с.
Besag J. On spatio-temporal models and Markov elds // Transactionsof the 7th Prague Conference on Information Theory, Statistical DecisionFunctions and Random Processes. Academia, 1974. P. 47-75
Besag J. On the statistical analysis of dirty pictures // Journal of the Royal Statistical Society. 1986. Vol. B-48. P. 259-302
Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006
Blei D. M., Jordan M. I., Griths T. L., Tennenbaum J. B. Hierarchical Topic Models and the Nested Chinese Restaurant Process // Advances in Neural Information Processing Systems. 2004. Vol. 13
Blei D. M., Lafferty J. D. Correlated topic models // Advances in Neural Information Processing Systems. 2006. Vol. 18
Blei D. M., Ng A. Y., Jordan M. I. Latent Dirichlet allocation // Journal of Machine Learning Research. 2003. Vol. 3, N. 4-5. P. 993-1022
Casella G., George E. I. Explaining the Gibbs sampler // The American Statistician. 1992. Vol. 46. P. 167-174
Geman S., Geman D. Stochastic relaxation, Gibbs distributions, and the Bayesian restoration of images // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1984. Vol. 6. P. 721-741
Hinton G. E. Training Products of Experts by Minimizing Contrastive Divergence // Neural Computation. 2002. Vol. 14. P. 1771-1800
Hinton G. E. What kind of a graphical model is the brain? // Proceedings of the 19th International Joint Conference on Articial Intelligence. 2005. P. 1765-1775
Hinton G. E. A practical guide to training restricted Boltzmann machines. http://www.cs.toronto.edu/ hinton/absps/guideTR.pdf. 2012
Hinton G. E., Osindero S., The Y.-W. A fast learning algorithm for deep belief nets // Neural Computation. 2006. Vol. 18. P. 1527-1554
Hudak P., Hughes J., Jones S. P., Wadler P. Some Methods for classification and Analysis of Multivariate Observations // Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and ProbabilityBerkeley, University of California Press, 1967. P. 281-297
Jordan M. I., Weiss Y. Graphical models: probabilistic inference // Handbook of Neural Networks and Brain Theory / Ed. by M. Arbib. MIT Press, 2002
Kanungo T., Mount D. M., Netanyahu N., Piatko C., Silverman R., Wu A. Y. An Ecient kmeans Clustering Algorithm: Analysis and Implementation // IEEE Trans. Pattern Analysis and Machine Intelligence. 2002. Vol. 24. P. 881-892
Lacoste-Julien S., Sha F., Jordan M. I. Disclda: Discriminative learning for dimensionality reduction and classication // Advances in Neural Information Processing Systems 20 / Ed. by J. Platt, D. Koller, Y. Singer, S. Roweis. Cambridge, MA: MIT Press, 2008
Li S. Z. Markov Random Field Modeling in Image Analysis. Advances in Pattern Recognition. Springer, 2009
MacKay D. J. Information Theory, Inference and Learning Algorithms. Cambridge University Press, 2003
Pearl J. Probabilistic reasoning using graphs // Uncertainty in Knowledge-Based Systems / Ed. by B. Bouchon, R. R. Yager. Springer-Verlag, 1987. P. 201-202
Pearl J. Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. NY etc.: Morgan Kaufmann, 1994
Perez P. Markov random elds and images // CWI Quarterly. 1998. P. 413-437
Prince S. Computer Vision: Models, Learning, and Inference. Cambridge University Press, 2012
Robert C. P., Casella G. Monte Carlo Statistical Methods. New York Springer-Verlag, 2004
Shyr A., Darrell T., Jordan M. I., Urtasun R. Supervised hierarchical Pitman-Yor process for natural scene segmentation // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2011. P. 2281-2288
Sudderth E., Jordan M. I. Shared segmentation of natural scenes using dependent Pitman-Yor processes // Advances in Neural Information Processing Systems 20 / Ed. by J. Platt, D. Koller, Y. Singer, S. Roweis. Cambridge, MA: MIT Press, 2008
Teh Y. W., Jordan M. I., Beal M. J., Blei D. M. Hierarchical Dirichlet processes // Journal of the American Statistical Association. 2004. Vol. 101, N. 476. P. 1566-1581
Watrous J. D., Alexandrov T., Dorrestein P. C. The evolving field of imaging mass spectrometry and its impact on future biological research // Journal of Mass Spectrometry. 2011. Vol. 46, N. 2. P. 209-222
Николенко С. И., Тулупьев А. Л. Самообучающиеся системы. М.: МЦНМО, 2009. 288 c.
Сироткин А. В. Байесовские сети доверия: дерево сочленений и его вероятностная семантика // Труды СПИИРАН. 2006. Т. 1, № 3. С. 228-239
Сироткин А. В. Вычислительная сложность алгоритмов локального апостериорного вывода в алгебраических байесовских сетях // Труды СПИИРАН. 2011. С. 188-214
Сироткин А. В., Тулупьев А. Л. Локальный априорный вывод в алгебраических байесовских сетях: комплекс основных алгоритмов // Труды СПИИРАН. 2007. № 5. С. 100-111
Тулупьев А. Л., Николенко С. И., Никитин Д. А., Сироткин А. В. Синтез апостериорных оценок истинности суждений в интегрированных базах знаний: детерминированный вариант // Известия высших учебных заведений: Приборостроение. 2006. № 11. С. 35-39
Тулупьев А. Л., Николенко С. И., Сироткин А. В. Байесовские сети: логико-вероятностный подход. СПб.: Наука, 2006. 608 с.
Тулупьев А. Л., Николенко С. И., Сироткин А. В. Синтез апостериорных оценок при поступлении свидетельств с неопределенностью в интегрированную систему знаний о неточных вероятностях // Известия высших учебных заведений: Приборостроение. 2006. № 11. С. 39-44
Тулупьев А. Л., Сироткин А. В., Николенко С. И. Синтез согласованных оценок истинности утверждений в интеллектуальных информационных системах // Известия высших учебных заведений: Приборостроение. 2006. № 7. С. 20-26
Тулупьев А. Л., Сироткин А. В., Николенко С. И. Байесовские сети доверия: логико-вероятностный вывод в ациклических направленных графах. СПб.: Изд-во С.-Петербургского ун-та, 2009. 400 с.
Опубликован
2012-06-01
Как цитировать
Николенко, С. И., Александров, Ф., & Чернявский, И. И. (2012). Метод сегментации результатов MALDI-спектрометрии на основе графических вероятностных моделей. Труды СПИИРАН, 2(21), 120-142. https://doi.org/10.15622/sp.21.8
Раздел
Статьи
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями:
Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале.
Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале.
Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).
