一种基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法技术

本发明专利技术公开了一种基于SVM‑RFE‑MRMR算法的阿兹海默症MRI图像分类方法。按下述步骤进行：a.采用VBM方法确定MRI图像中的病灶区，计算病灶区的灰质体积作为形态学特征，提取包括灰度共生矩阵和灰度‑梯度共生矩阵的纹理特征；b.将步骤a中所述的形态学特征和纹理特征组合，使用SVM‑RFE‑MRMR算法对组合的特征进行选择，得选择后组合特征；c.对选择后组合特征使用SVM‑RFE算法进行特征排序，排序后采用径向核函数的SVM算法对特征进行分类，分类前将选择后组合特的数据归一化到[0,1]之间。本发明专利技术的识别方法具有劳动强度小、效率高、准确率和识别率高的特点。

【技术实现步骤摘要】
一种基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法
本专利技术涉及医学图像分类领域，特别是一种基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法。
技术介绍
医学图像处理是当今最具挑战性和新兴的领域。从磁共振(MRI)脑图像中提取，识别和分割病灶区域是一个重要的问题。比如，对阿尔茨海默症患者(AD)、轻度认知障碍患者(MCI)和正常个体(NC)的MRI图像的分类识别。但是由于放射科医生或临床专家执行的任务是一项沉闷且耗时的任务，并且最终的分类准确性仅取决于他们的经验，因此目前对AD、MCI和NC的MRI图像的分类识别存在劳动强度大，效率低和识别准确率不稳定的情况。
技术实现思路
本专利技术的目的在于，提供一种基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法。本专利技术的识别方法具有劳动强度小、效率高、准确率和识别率高的特点。本专利技术的技术方案：一种基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，按下述步骤进行：a.采用VBM方法确定MRI图像中的病灶区，计算病灶区的灰质体积作为形态学特征，提取包括灰度共生矩阵和灰度-梯度共生矩阵本文档来自技高网...

【技术保护点】
1.一种基于SVM‑RFE‑MRMR算法的阿兹海默症MRI图像分类方法，其特征在于，按下述步骤进行：a.采用VBM方法确定MRI图像中的病灶区，计算病灶区的灰质体积作为形态学特征，提取包括灰度共生矩阵和灰度‑梯度共生矩阵的纹理特征；b.将步骤a中所述的形态学特征和纹理特征组合，使用SVM‑RFE‑MRMR算法对组合的特征进行选择，得选择后组合特征；c.对选择后组合特征使用SVM‑RFE算法进行特征排序，排序后采用径向核函数的SVM算法对特征进行分类，分类前将选择后组合特的数据归一化到[0,1]之间；步骤b中，SVM‑RFE‑MRMR算法具体是使用SVM‑RFE算法和MRMR算法中互信息计算量对...

【技术特征摘要】
2018.12.26 CN 20181160508311.一种基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特征在于，按下述步骤进行：a.采用VBM方法确定MRI图像中的病灶区，计算病灶区的灰质体积作为形态学特征，提取包括灰度共生矩阵和灰度-梯度共生矩阵的纹理特征；b.将步骤a中所述的形态学特征和纹理特征组合，使用SVM-RFE-MRMR算法对组合的特征进行选择，得选择后组合特征；c.对选择后组合特征使用SVM-RFE算法进行特征排序，排序后采用径向核函数的SVM算法对特征进行分类，分类前将选择后组合特的数据归一化到[0,1]之间；步骤b中，SVM-RFE-MRMR算法具体是使用SVM-RFE算法和MRMR算法中互信息计算量对特征进行选择，具体公式如下：其中，r表示特征选择的评价因子；0<β<1；w表示SVM-RFE算法中的权向量；D表示MRMR算法中特征与类别间的相关性；m表示每次递归消除后所剩的特征个数；R表示MRMR算法中特征间的相关性。2.根据权利要求1所述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特征在于，步骤a中，所述的MRI图像中的病灶区按下述方法确定：将全部MRI图像配准至MNI空间的标准模板上；将配准后的MRI图像分割成灰质、白质、脑脊液；分割后的灰质图像经过雅克比行列式进行容积变化校正；利用12mm的半高全宽高斯平滑核对所有分割和校正后的灰质图像进行平滑处理；对平滑处理后的灰质图像采用VBM统计分析中的GLM模型进行统计分析，在GLM模型的基础上对假设前提进行双样本t检验，以检测两组灰质图像的灰质密度的差异性，具有显著差异的灰质密度区域，确定为病灶区。3.根据权利要...

【专利技术属性】
技术研发人员：李晖，施若，冯刚，
申请(专利权)人：贵州联科卫信科技有限公司，
类型：发明
国别省市：贵州,52