本发明专利技术公开了一种基于RLS-ELM的多模态融合图像分类方法，其特征在于，包括如下步骤：步骤1：获取多个被试对象的rs-fMRI、sMRI以及DTI数据，并进行预处理，剔除不符合规定的被试数据；步骤2：计算rs-fMRI数据中各体素的ReHo值；步骤3：计算sMRI数据中各体素的灰质密度值；步骤4：计算DTI数据中各体素的FA值；步骤5：将各体素的ReHo、灰质密度以及FA值连接成一个新特征矩阵A；步骤6：对新的特征矩阵A进行PCA降维处理；步骤7：对RLS-ELM分类器进行训练，获得已训练的RLS-ELM的分类器。本发明专利技术基于RLS-ELM的多模态融合图像分类方法使得分类准确度和分类速度得到显著提升，实现疾病的早发现早诊断早治疗，对于揭示疾病进展的临床医学研究过程中具有重要的意义。
【技术实现步骤摘要】
本专利技术涉及一种多模态融合图像分类方法，特别涉及的是一种针对疾病的多模态 融合图像分类方法。
技术介绍
近二十年来，随着脑影像技术的进步，脑科学的研宄进入了一个高速发展时期。功 能磁共振成像（functional magnetic resonance imaging, fMRI)作为一种非侵入式脑功 能检测技术，凭借其良好的时间和空间分辨率综合性能，成为脑科学研宄中应用最广泛的 脑成像技术。 静息态 rs-fMRI (resting-state fMRI，rs-fMRI)是大脑 BOLD 信号发生的自发调 节，反映静息状态下大脑的自发活动，体现大脑各脑区之间的关联和大脑的运行机制，因此 在临床上rs-fMRI更适用于某些慢性疾病及精神性疾病的研宄。 弥散张量成像（Diffusion tensor imaging, DTI)可以无创性的显示大脑白质纤 维束的结构信息。DTI是核磁共振成像（MRI)的特殊形式，是在常规磁共振成像和弥散加权 成像〇iffusion Weighted Imaging，DWI)的基础上发展起来的。弥散张量成像不仅可以 揭示脑瘤如何影响神经细胞连接，而且可以揭示如精神分裂症、中风、阅读障碍、多发性硬 化症等有关神经系统很小的异常变化。 结构磁共振成像（structural magnetic resonance imaging, sMRI)的使用最为 广泛。sMRI图像能够客观记录下从疾病潜伏期到发作期整个过程中患者脑结构生物标记的 变化，这些数据能够从根本上改变人们对特定疾病的认识，并且能够影响和引导疾病的后 续诊断和治疗。 综合以上三类成像技术的优点，多模态图像融合技术近年来在揭示正常人与疾病 患者的大脑结构差异中扮演了日益显著的角色。多模态图像融合技术提出了一个融合多类 型与多层次分析结果的概念模型。相关技术在疾病进展机制的临床研宄方面起到了重要的 作用。多模态图像融合的目的不仅是结合各模态图像的优势，而是在联合分析中充分利用 各模态图像的内在联系。 目前，有关运用计算机技术处理fMRI数据的研宄进入一个高速发展的时期。至 Friston和Bly等人提出运用广义线性模型来预测每个体素的回归值以来，研宄者们陆续 提出运用各类模式识别算法解析fMRI数据。如，SVM、隐马尔科夫模型、贝叶斯等。同时，各 类模式识别算法也被运用到多模态图像融合领域。Honghui提出使用SVM分类器分别对各 模态图像进行分类，采用近似投票的方法对分类结果进行融合。该方法结合了各模态图像 的优势，并没有利用到各模态图像间的内在联系。其次，fMRI研宄者热衷的SVM算法存在 训练时间长，所需存储空间大等问题。
技术实现思路
本专利技术提供一种多模态融合图像的分类方法，该方法充分利用各模态图像间的内 在关系，改进原有的ELM算法，可同时提高了分类速度与分类准确度。 为实现上述目的，本专利技术的技术方案如下： 一种基于RLS-ELM的多模态融合图像分类方法，包括如下步骤： 步骤1 :获取多个被试对象的rs-fMRI、sMRI以及DTI数据，并进行预处理，剔除不 符合规定的被试数据； 步骤2 :计算rs-fMRI数据中各体素的ReHo值； 步骤3 :计算sMRI数据中各体素的灰质密度值； 步骤4 :计算DTI数据中各体素的FA值； 步骤5 :将各体素的ReHo、灰质密度以及FA值连接成一个新特征矩阵A ; 步骤6 :对新的特征矩阵A进行PCA降维处理； 步骤7 :对RLS-ELM分类器进行训练，获得已训练的RLS-ELM的分类器。 本专利技术的有益效果是：本专利技术首先提取并融合三种分别代表rs-fMRI、sMRI、DTI 不同模态图像的特征值，即，ReHo、灰质密度值以及FA值，而后采用PCA降维技术对多个 被试数据组合而成的特征矩阵降维计算，最后训练基于RLS-ELM算法的分类模型并进行分 类。本专利技术创新性地融合三类模态图像的特征值，而从利用并揭示了各类模态图像间的内 在关系，引进RLS-ELM算法对融合后的特征值进行分类，使得分类准确度和分类速度得到 显著提升，实现疾病的早发现早诊断早治疗，对于揭示疾病进展的临床医学研宄过程中具 有重要的意义。【附图说明】 图1为基于RLS-ELM的多模态融合图像分类方法的流程图。 图2为多模态图像融合的结构示意图。 图3为训练基于RLS-ELM分类器的流程示意图【具体实施方式】 下面结合附图及实例，对本专利技术做进一步说明。 参见图1、图2、图3,基于RLS-ELM的多模态融合图像分类方法含有以下步骤： 步骤1 :获取多个被试对象的rs-fMRI、sMRI以及DTI数据，并进行预处理，剔除不 符合规定的被试数据。 步骤 2 :计算 rs-fMRI 数据中各体素的 ReHo (Regional Homogeneity)值。 步骤3 :计算sMRI数据中各体素的灰质密度（Gray Matter Density)值。 步骤4 :计算DTI数据中各体素的FA (Fractional Anisotropy)值。 步骤5 :将各体素的ReHo、灰质密度以及FA值连接成一个新特征矩阵A。 步骤6 :对新的特征矩阵A进行PCA降维处理。 步骤7 :对RLS-ELM分类器进行训练，获得已训练的RLS-ELM的分类模型。 步骤2中对于任意体素的ReHo值，计算公式为：【主权项】1. 一种基于RLS-ELM的多模态融合图像分类方法，其特征在于，包括如下步骤： 步骤1:获取多个被试对象的rs-fMRI、sMRI以及DTI数据，并进行预处理，剔除不符合 规定的被试数据； 步骤2:计算rs-fMRI数据中各体素的ReHo值； 步骤3:计算sMRI数据中各体素的灰质密度值； 步骤4:计算DTI数据中各体素的FA值； 步骤5:将各体素的ReHo、灰质密度以及FA值连接成一个新特征矩阵A; 步骤6:对新的特征矩阵r进行PCA降维处理； 步骤7:对RLS-ELM分类器进行训练，获得已训练的RLS-ELM的分类器。2. 根据权利要求1所述的基于RLS-ELM的多模态融合图像分类方法，其特征在于，步骤 2中对于任意体素的ReHo值，计算公式为：其中，Ri为第i个时间点的秩和，即，在第i个时间点的相邻N个体素点的体素值等级 总数；1=0 + /广/(/2,为氏平均值；n是时间点数；K是所测量计算单元（相邻体素构成计 算ReHo的最小单元，K=N+1)中时间序列数目。3. 根据权利要求1所述的基于RLS-ELM的多模态融合图像分类方法，其特征在于，步骤 4中对于任意体素的FA值，计算公式为：其中，X1为最大弥散系数，X2为中级弥散系数，X3为最低弥散系数，XX2多入3， I=(4 +1+4)/1为弥散系数的平均值。4. 根据权利要求1所述的基于RLS-ELM的多模态融合图像分类方法，其特征在于，步骤 5的处理流程如下：将已提取的ReHo、灰质密度、以及FA值分别组成向量P、Q、T，其中，P= '为各体素FA值组成的特征向量；D为大 脑中体素总值；采用Z-ScoreNormalization方法对P、Q以及T向量进行标准化，将已标准 化的P、Q、T向量拼接成一个新特征向量A= '，AGR3D本文档来自技高网...
【技术保护点】
一种基于RLS‑ELM的多模态融合图像分类方法，其特征在于，包括如下步骤：步骤1：获取多个被试对象的rs‑fMRI、sMRI以及DTI数据，并进行预处理，剔除不符合规定的被试数据；步骤2：计算rs‑fMRI数据中各体素的ReHo值；步骤3：计算sMRI数据中各体素的灰质密度值；步骤4：计算DTI数据中各体素的FA值；步骤5：将各体素的ReHo、灰质密度以及FA值连接成一个新特征矩阵A；步骤6：对新的特征矩阵r进行PCA降维处理；步骤7：对RLS‑ELM分类器进行训练，获得已训练的RLS‑ELM的分类器。
【技术特征摘要】
【专利技术属性】
技术研发人员：龙军，阳洁，张祖平，张昊，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。