基于改进的监督局部线性嵌入的早期阿尔茨海默病分类方法技术

本发明专利技术公开了一种基于改进的监督局部线性嵌入的早期阿尔茨海默病分类方法，包括以下步骤：(1)图像预处理：将采集的结构核磁共振图像进行图像校正、标准化、颅骨剥离和脑组织分割等过程；(2)相关特征的选取：根据脑区各功能的划分和统计分析技术提取出全脑感兴趣灰质体积和脑区平均皮层厚度，从数据集中获取CSF数据，将三组数据的组合作为原始特征；(3)高维空间特征的降维：将原始的高维特征作为改进的监督局部线性嵌入算法的输入，进行非线性降维，提取更具有鉴别信息的特征；(4)分类：将降维后的特征作为支持向量机分类器的输入，得到最终的分类精度。本发明专利技术相较于现有技术可以有效提高小样本数据的早期阿尔茨海默病分类结果。

【技术实现步骤摘要】
基于改进的监督局部线性嵌入的早期阿尔茨海默病分类方法
本专利技术涉及图像处理和模式识别与机器学习
，特别是涉及一种基于改进的监督局部线性嵌入的早期阿尔茨海默病分类方法。
技术介绍
基于局部线性嵌入的早期阿尔茨海默病早期分类(XinLiu,DuyguTosun.Locallylinearembedding(LLE)forMRIbasedAlzheimer'sdiseaseclassification[J].NeuroImage83(2013)148–157)：设表示包含n个样本，xi表示第i个样本。LLE首先通过欧氏距离矩阵找到每个样本的k个近邻点，而后求解下面问题获得局部重建权值矩阵W：其中，wij表示xi与xij两样本点间的权值关系，当xi与xij不是近邻点时，有wij＝0；W是由wij构成的权值矩阵，表示近邻点对重构样本点做出的贡献，且满足归一化约束然后LLE通过求解下面的问题获得低维映射Y的求解。上式的求解需要满足平移不变性质，同时要避免平凡最优解的产生，可以简化成：φ(Y)＝argmin(YNYT)其中，N＝(I-W)T(I-W)。所需要求解的低维映射Y实际是N中第2个本文档来自技高网...

【技术保护点】
1.一种基于改进的监督局部线性嵌入的早期阿尔茨海默病分类方法，包括以下步骤：S1：将采集的结构核磁共振图像进行预处理；S2：相关特征的选取：根据脑区各功能的划分和统计分析技术提取包含脑感兴趣灰质体积和脑区平均皮层厚度这两组特征的全脑结构形态变化特征，结合从数据集中获取非成像的脑脊液CSF生物标记物数据，得到原始的高维特征数据

【技术特征摘要】
1.一种基于改进的监督局部线性嵌入的早期阿尔茨海默病分类方法，包括以下步骤：S1：将采集的结构核磁共振图像进行预处理；S2：相关特征的选取：根据脑区各功能的划分和统计分析技术提取包含脑感兴趣灰质体积和脑区平均皮层厚度这两组特征的全脑结构形态变化特征，结合从数据集中获取非成像的脑脊液CSF生物标记物数据，得到原始的高维特征数据xi表示第i个样本；S3：高维空间特征的降维：S3.1：计算出高维空间特征的样本矩阵X中每两个样本点的测地距离，得到距离矩阵G；S3.2：通过样本标签信息，添加距离修正项来增大异类邻近样本点的距离，得到修正后的距离矩阵G′，进而找到每个样本点的初始k个近邻点；S3.3：分别计算每个样本点到k个近邻点间距离的平均值，从而得到新的距离矩阵G″，再根据这一新距离矩阵找出样本的最终k个近邻点；S3.4：用最终局部近邻点线性表示样本来拟合全局的非线性，得到局部重建权值矩阵W；S3.5：在求出局部重建权值矩阵W后，把高维空间的样本点映射到低维平面，提取更具有鉴别信息的低维映射特征Y；S4：分类：将降维后的特征作为支持向量机分类器的输入，得到最终的分类精度。2.根据权利要求1所述的基于改进的监督局部线性嵌入的早期阿尔茨海默病分类方法，其特征在于，步骤S1的具体步骤包括：S1.1：图像校正和联合配准：在导入图像之后，将图像与模板图像进行刚体配准，去除各脑的方位差异性；S1.2：颅骨剥离和小脑剔除：将与研究无关的颅骨和小脑的结构去除；S1.3：脑组织分割：将去除颅骨和小脑后的脑组织进行分割，得到灰质、白质、脑脊液的图像。3.根据权利要求1所述的基于改进的监督局部线性嵌入的早期阿尔茨海默病分类方法，其特征在于，步骤S3.1中，所述距离矩阵G是通过计算X任意两个列向量间的测地距离，其中Gij表示高维数据X第i列和第j...

【专利技术属性】
技术研发人员：赵海峰，陈天聪，葛园园，罗斌，孙登第，
申请(专利权)人：安徽安大笃北信息科技有限责任公司，安徽大学，
类型：发明
国别省市：安徽,34