一种基于自加权分级生物特征的医学图像分类方法、装置和计算机可读存储介质制造方法及图纸

本发明专利技术提出一种基于自加权分级生物特征的医学图像分类方法。该方法通过在脊回归过程中添加图正则化项，充分利用MCI患者脑区之间的邻域关系信息，得到的回归系数更加准确地反映出AD和NC向MCI传递信息的情况。然后，该方法利用自加权分级方法对回归系数进行融合，保证融合过程中具有较大回归系数值的样本获得较大的权重，使得计算得到的自加权分级生物特征具有更强的区分性和鲁棒性。最后，利用支持向量机分类器进行分类。本发明专利技术方法显著提高了pMCI患者和sMCI患者的分类准确率。

A Medical Image Classification Method, Device and Computer Readable Storage Medium Based on Self-Weighted Graded Biometric Features

【技术实现步骤摘要】
一种基于自加权分级生物特征的医学图像分类方法、装置和计算机可读存储介质
本专利技术涉及医学影像处理领域，具体地说是一种基于自加权分级生物特征的医学图像分类方法、装置和计算机可读存储介质。
技术介绍
阿尔茨海默病(Alzheimer’sdisease,AD)是一种常见的渐进式神经退行性疾病，据预测，到2050年，每85个人中将会有1个AD患者。作为最常见的一种老年痴呆病，AD伴随着记忆损失，认知能力下降，语言功能退化等特征，严重影响着人们的正常生活。轻度认知障碍(Mildcognitiveimpairment,MCI)通常被认为是正常老龄化和AD之间的一种过渡状态，它的特点是患者具有轻微的记忆障碍但认知功能基本完好。调查发现，超过三分之一的MCI患者将会在5年内转化为AD。根据MCI能否在随访时间内转化为AD，可进一步分为进行性MCI(pMCI)和稳定性MCI(sMCI)。因此，准确地区分pMCI和sMCI患者，以便提供有效且有针对性的治疗，尽可能地阻止或延迟从MCI向AD的转化，具有至关重要的意义。磁共振影像(Magneticresonanceimaging,MRI)技术具有完全无创性、空间分辨率高、适用范围广、成本适中等特点，在不同阶段的AD检测中得到了广泛的应用。现实生活中，MRI已经成为诊断AD和MCI的一种有效工具，人们提出了许多基于MRI的分类方法，实现对疾病的辅助诊断。由于pMCI患者的大脑皮层与AD患者有一些相似之处，而sMCI患者更像正常对照者(normalcontrols,NCs)，大量研究表明，利用AD和NC人群的信息有助于准确地区分pMCI和sMCI患者，从而实现MCI向AD的转化预测。脊回归是一种专门用于共线性数据分析的有偏估计回归方法，实质上是一种改良的最小二乘估计法。该方法通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价，获得更为符合实际、更可靠的回归系数。因此，可以通过脊回归方法，利用AD和NC群体数据对每个MCI患者数据进行回归，得到回归系数。如果AD患者对应的回归系数值较大，说明该MCI患者具有较多的AD特性，则划分为pMCI；否则，说明该MCI更接近于NC，有更大的可能性是sMCI。之后，利用分级方法对该MCI患者的回归系数进行融合，得到分级生物特征，用于后续分类。虽然利用脊回归方法可以将AD和NC群体的信息传递给MCI患者，但是该方法在回归过程中并没有充分利用脑区之间的关系信息，因此，AD和NC群体的信息并不能通过脊回归系数精确地传递给MCI患者。另外，原有的分级方法对回归系数进行融合时给予不同回归系数值相同的权重，该方法得到的分级生物特征并不能充分反映该MCI患者的偏向性，从而不能有效地区分pMCI和sMCI。如何将AD和NC人群的信息充分地传递给MCI患者，此外，如何对回归系数进行充分的融合进而提取到具有较强鉴别能力的MCI生物特征，提高pMCI和sMCI的分类准确率，是亟待解决的重要问题。
技术实现思路
本专利技术为克服上述现有技术的不足，提出一种基于自加权分级生物特征的医学图像分类方法。该方法通过在脊回归过程中添加图正则化项，充分利用MCI患者脑区之间的邻域关系信息，得到的回归系数更加准确地反映出AD和NC向MCI传递信息的情况。然后，该方法利用自加权分级方法对回归系数进行融合，保证融合过程中具有较大回归系数值的样本获得较大的权重，使得计算得到的自加权分级生物特征具有更强的区分性和鲁棒性。最后，利用支持向量机分类器进行分类。本专利技术方法显著提高了pMCI患者和sMCI患者的分类准确率。本专利技术的技术方案是：一种基于自加权分级生物特征的医学图像分类方法，该方法首先从阿尔茨海默病AD和正常对照者NC样本空间映射到轻度认知障碍MCI样本空间，在投影过程中通过添加图正则化项保持MCI患者脑区之间的邻域关系信息，得到投影向量；再利用一个自加权分级方法对投影向量进行融合，计算得到MCI患者的自加权分级生物特征；然后，从多种形态学特征中提取的自加权分级生物特征串联成一个向量，从不同角度反映AD和NC群体的信息传播；最后，基于该自加权分级生物特征向量对医学图像进行分类，该方法包括如下步骤：(1)对采集的MRI图像进行预处理，提取形态学特征；(2)基于图指导的信息传播的特征提取记X＝[x1，x2，...，xn]∈Rp×n定义为n幅AD和NC图像的特征矩阵，y∈Rp×1记为单幅MCI图像的特征向量，其中p为脑区数，通过脊回归方法得到y的表示如下：其中w∈Rn×1为回归系数，λ是一个控制参数，上式第一项表示从AD和NC样本空间到MCI样本空间的线性回归，第二项用来拒绝过拟合；为了保持每个MCI患者脑区之间的邻域关系，定义了一个图正则化项，具体方法是：定义一个无向对称的图G＝(V，S)，V是y中脑区的集合，S是一个关联矩阵，S中的每个元素sij定义为：其中yi和yj分别定义为y中第i个和第j个脑区，Nk(yj)和Nk(yi)分别定义为yi和yj的k近邻，k近邻通过热核计算，记ai为(Xw)T的第i列，图正则化项表示为：其中L＝D-S是一个对称的半正定矩阵，D∈Rp×p是一个对角矩阵，其对角线元素dii＝∑jsij。目标函数表示如下：其中w∈Rn×1是回归系数，λ1和λ2是正则化调节参数，求解优化问题，得到系数向量w；(3)自加权分级生物特征的提取与整合通过系数向量w以及AD和NC辅助数据的临床标记，计算自加权分级生物特征，辅助数据的临床标记定义为fj，具体方法为：对于一个AD患者，fj设置为1，正常人的fj设置为-1，一个MCI患者的自加权分级生物特征定义如下：其中n是X中AD和NC样本的数目，w(j)是对应的图像X(j)的系数，分别使用CT和VOL特征从AD和NC样本空间映射到MCI样本空间，因此，得到两个系数向量wCT和wVOL，然后，通过公式(8)计算得到两个自加权分级生物标记和最后，为了整合CT和VOL信息，对于每一个MCI患者，将和连接成向量，作为后续分类的特征向量；(4)支持向量机分类基于第(3)步得到的特征向量，使用训练样本训练支持向量机分类器，对测试样本进行分类。特别地，步骤(1)的具体方式为：采集MRI图像数据，使用FreeSurfer软件进行预处理，提取皮层厚度CT和体积VOL两种形态学特征。CT指的是每个顶点中白质和灰质表面之间的最近距离，然后，使用高斯核函数对图像进行平滑，最后，使用自动解剖标记AAL模板计算每个解剖区域的平均CT和VOL。特别地，由于缺乏CT特征，排除掉AAL模板皮质下区域，使用其余脑区的数据。本专利技术还包括一种医学图像分类装置和计算机可读存储介质。本专利技术的有益效果是：从AD和NC样本空间向MCI样本空间映射的过程中，使用图正则化项保持MCI患者脑区之间的邻域关系信息，使得投影向量更好地反映AD和NC群体的信息传播情况。通过自加权分级方法对投影向量进行融合得到目标MCI患者的生物特征，该特征能够获得具有较大投影向量值的辅助数据的更多特性。整合通过不同形态学数据提取的自加权分级生物特征，从多角度描述AD和NC群体向MCI个体传播信息的情况，有助于区分pMCI和sMCI患者。该方法提取的特征具有较强的区分性和鲁棒性。本专利技术显著提高了pM本文档来自技高网...

【技术保护点】
1.一种基于自加权分级生物特征的医学图像分类方法，该方法首先从阿尔茨海默病AD和正常对照者NC样本空间映射到轻度认知障碍MCI样本空间，在投影过程中通过添加图正则化项保持MCI患者脑区之间的邻域关系信息，得到投影向量；再利用一个自加权分级方法对投影向量进行融合，计算得到MCI患者的自加权分级生物特征；然后，从多种形态学特征中提取的自加权分级生物特征串联成一个向量，从不同角度反映AD和NC群体的信息传播；最后，基于该自加权分级生物特征向量对医学图像进行分类，该方法包括如下步骤：(1)对采集的MRI图像进行预处理，提取形态学特征；(2)基于图指导的信息传播的特征提取记X＝[x1，x2，…，xn]∈R

【技术特征摘要】
1.一种基于自加权分级生物特征的医学图像分类方法，该方法首先从阿尔茨海默病AD和正常对照者NC样本空间映射到轻度认知障碍MCI样本空间，在投影过程中通过添加图正则化项保持MCI患者脑区之间的邻域关系信息，得到投影向量；再利用一个自加权分级方法对投影向量进行融合，计算得到MCI患者的自加权分级生物特征；然后，从多种形态学特征中提取的自加权分级生物特征串联成一个向量，从不同角度反映AD和NC群体的信息传播；最后，基于该自加权分级生物特征向量对医学图像进行分类，该方法包括如下步骤：(1)对采集的MRI图像进行预处理，提取形态学特征；(2)基于图指导的信息传播的特征提取记X＝[x1，x2，…，xn]∈Rp×n定义为n幅AD和NC图像的特征矩阵，y∈Rp×1记为单幅MCI图像的特征向量，其中p为脑区数，通过脊回归方法得到y的表示如下：其中w∈Rn×1为回归系数，λ是一个控制参数，上式第一项表示从AD和NC样本空间到MCI样本空间的线性回归，第二项用来拒绝过拟合；为了保持每个MCI患者脑区之间的邻域关系，定义了一个图正则化项，具体方法是：定义一个无向对称的图G＝(V，S)，V是y中脑区的集合，S是一个关联矩阵，S中的每个元素sij定义为：其中yi和yj分别定义为y中第i个和第j个脑区，Nk(yj)和Nk(yi)分别定义为yi和yj的k近邻，k近邻通过热核计算，记ai为(Xw)T的第i列，图正则化项表示为：其中L＝D-S是一个对称的半正定矩阵，D∈Rp×p是一个对角矩阵，其对角线元素dii＝∑jsij。目标函数表示如下：其中w∈Rn×1是回归系数，λ1和λ2是正则化调节参数，求解优化问题，得到系数向量w；(3)自加权分级生物特征的提取与整合通过系数向量w以及AD...

【专利技术属性】
技术研发人员：李颖，
申请(专利权)人：山东管理学院，
类型：发明
国别省市：山东,37