一种阿尔兹海默症分类预测方法及系统技术方案

本申请公开了一种阿尔兹海默症分类预测方法及系统，包括：获取阿尔兹海默症患者的磁共振成像的图像样本，并预处理所述图像样本，获取所述图像样本的特征指标；采用多种特征选择算法将特征指标输入到特征选择算法对应的分类预测模型中，从所述特征指标中选取优质特征集；将测试者的所述优质特征子集输入到所述对应的预测分类模型中，得到分类结果；采用投票法处理所述分类结果，得到测试者的预测结果。本申请通过选取多种特征算法从特征指标中选择优质特征集使得得到的分类结果更加准确，计算更加简单。

A method and system for classification and prediction of Alzheimer's disease

The application discloses a classification and prediction method and system for Alzheimer's disease, including: acquiring an image sample of magnetic resonance imaging of Alzheimer's disease patients, preprocessing the image sample and obtaining the characteristic index of the image sample; adopting a variety of feature selection algorithms to input the characteristic index into the classification and prediction model corresponding to the feature selection algorithm, and from the characteristic index Select the high-quality feature set; input the high-quality feature subset of the tester into the corresponding prediction classification model to get the classification results; use the voting method to process the classification results to get the prediction results of the tester. The application selects high-quality feature sets from feature indexes by selecting a variety of feature algorithms to make the classification results more accurate and the calculation more simple.

【技术实现步骤摘要】
一种阿尔兹海默症分类预测方法及系统
本申请涉及图像特征提取
，尤其涉及一种阿尔兹海默症分类预测方法及系统。
技术介绍
阿尔茨海默病(Alzheimer'sdisease，AD)是老年人中常见的一种神经性疾病，其主要影响老年人脑部的中枢神经，使其发生退行性改变。当患者出现明显的阿尔茨海默病临床症状时，疾病多数已经进入晚期，完全无法治疗。故阿尔茨海默病的早期诊断和干预成为大多数研究关注的焦点。现有技术中常用的针对阿尔茨海默病的早期诊断的方法包括构建基于脑影像特征的大脑功能网络，从网络化的角度研究阿尔兹海默症的病理学特征，从而进一步探索发病机制，实现疾病的早期诊断。然而现有方法所提取的特征相对较少，并且研究的是阿尔兹海默症的高维度数据，因此现有技术存在包括特征指标较少、检测准确率不高以及模型太复杂泛化能力差的问题。
技术实现思路
本申请提供了一种阿尔兹海默症分类预测方法及系统，使得正确率更高，计算更加简单。有鉴于此，本申请第一方面提供了一种阿尔兹海默症分类预测方法，所述方法包括：获取阿尔兹海默症患者的磁共振成像的图像样本，并预处理所述图像样本，获取所述图像样本的k个特征指标；采用多种特征选择算法将所述k个特征指标输入到所述特征选择算法对应的分类预测模型中，从所述k个特征指标中选取优质特征集，所述优质特征集中包括a个特征指标，a≤k；将测试者的所述优质特征子集输入到所述对应的预测分类模型中，得到分类结果；采用投票法处理所述分类结果，得到测试者的预测结果。优选地，所述并预处理所述图像样本包括：对所述图像样本进行去头骨、配准、白质分割以及灰度归一化处理，获取所述图像样本中脑区各区域及各区域对应的特征个数。优选地，所述获取所述图像样本的k个特征指标包括：从所述脑区中选取所需的区域数以及所述区域对应的特征个数，并将所述区域数与所述特征个数相乘得到k个特征指标。优选地，所述各区域对应的特征个数具体为8个，包括表面面积、灰质体积、平均厚度、厚度标准差、积分校正平均曲率、积分校正高斯曲率、折叠指数和内在曲率指数。优选地，所述多种特征选择算法具体包括：评价选择算法、遗传选择算法、方差选择算法。优选地，当特征选择算法为所述评价选择算法时，所述从所述k个特征指标选取优质特征集具体包括：将所述k个特征指标训练第一分类预测模型得到整体模型的准确度C；从所述k个特征指标中剔除第i个特征指标1≤i≤k，将剩余的k-1个特征指标训练所述第一分类预测模型中得到准确度Ci；则第i个特征指标的重要程度评估值Vi＝C-Ci；将Vi与预设的评估阈值做对比，去除不合格的所述重要程度评估值，剩余的所述重要程度评估值对应的特征指标为优质特征集。优选地，当特征选择算法为所述遗传选择算法时，所述从所述k个特征指标选取优质特征集具体包括：采用二进制编码初始化种群中的个体；获取所述个体二进制编码后对应的特征指标，并将所述对应的特征指标训练第二分类预测模型，得到所述个体的准确率，将所述准确度作为所述个体的适应度；将所述个体两两个体不重复地进行交叉变异操作，选取父代个体个子代个体中优质的个体继续交叉变异；重复上述步骤直到达到最大迭代次数，获得优质个体对应的优质特征集。优选地，当特征选择算法为所述方差选择算法时，所述从所述k个特征指标选取优质特征集具体包括：计算n个样本所对应的每个特征指标的方差，得到方差列表；每次从所述方差列表中剔除方差值最小的m个方差值，将剔除掉所述方差值最小的m个方差值对应的特征指标，将剩余特征指标训练第三分类预测模型得到对应的准确率Qk-m；重复剔除方差值操作直到特征指标小于等于k时，获取的特征子集为准确率Qk-jm对应的特征指标集合，其中j为特征子集的剔除方差值的次数，并且jm≥k/2；其中准确率最大的特征子集即为最优特征子集。优选地，所述采用投票法处理所述分类结果，得到测试者的预测结果具体为：所述分类结果对应是否患有阿尔兹海默症；若所述预测分类模型对应的所述分类结果中患有阿尔兹海默症的分类结果的数量大于未患有阿尔兹海默症的分类结果的数量，则表示测试者患有阿尔兹海默症。本申请第二方面提供一种阿尔兹海默症分类预测系统，所述系统包括：预处理模块，所述预处理模块用于获取阿尔兹海默症患者的磁共振成像的图像样本，并预处理所述图像样本，获取所述图像样本的k个特征指标；优质特征选择模块，所述优质特征选择模块用于采用多种特征选择算法将所述k个特征指标输入到所述特征选择算法对应的分类预测模型中，从所述k个特征指标中选取优质特征集，所述优质特征集中包括a个特征指标，a≤k；预测分类模块，所述预测分类模块用于将测试者的所述优质特征子集输入到所述对应的预测分类模型中，得到分类结果；投票选择模块，所述投票选择模块用于采用投票法处理所述分类结果，得到测试者的预测结果。从以上技术方案可以看出，本申请具有以下优点：本申请提供了一种阿尔兹海默症分类预测方法，包括采集测试者的磁共振成像的图像样本，并预处理图像样本，获取图像样本的k个特征指标；采用多种特征选择算法将k个特征指标输入到特征选择算法对应的分类预测模型中，从k个特征指标中选取优质特征集，特征集中包括a个特征指标，a≤k；将优质特征子集输入到所述对应的预测分类模型中，得到分类结果；采用投票法处理所述分类结果，得到测试者的预测结果。本申请通过多种特征选择算法选取优质特征集，获取对分类结果产生影响的特征指标，使得分类结果更加准确；并且通过有效剔除不相关的特征并获取高维特征空间中影响分类结果的主要特征，从而降低模型的复杂度，提高模型的泛化能力，采用投票法对多个预测分类模型结果进行综合判断也能够有效提高分类准确性。附图说明图1为本申请一种阿尔兹海默症分类预测方法的一个实施例的方法流程图；图2为本申请一种阿尔兹海默症分类预测系统的一个实施例的系统框图。具体实施方式本申请通过多种特征选择算法选取优质特征集，获取对分类结果产生影响的特征指标，使得分类结果更加准确；并且通过有效剔除不相关的特征并获取高维特征空间中影响分类结果的主要特征，从而降低模型的复杂度，提高模型的泛化能力，采用投票法对多个预测分类模型结果进行综合判断也能够有效提高分类准确性。为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。为了便于理解，请参阅图1，图1为本申请一种阿尔兹海默症分类预测方法的一个实施例的方法流程图，如图1所示，图1中包括：101、获取阿尔兹海默症患者的磁共振成像的图像样本，并预处理图像样本，获取本文档来自技高网...

【技术保护点】
1.一种阿尔兹海默症分类预测方法，其特征在于，包括：/n获取阿尔兹海默症患者的磁共振成像的图像样本，并预处理所述图像样本，获取所述图像样本的k个特征指标；/n采用多种特征选择算法将所述k个特征指标输入到所述特征选择算法对应的分类预测模型中，从所述k个特征指标中选取优质特征集，所述优质特征集中包括a个特征指标，a≤k；/n将测试者的所述优质特征集输入到所述对应的预测分类模型中，得到分类结果；/n采用投票法处理所述分类结果，得到测试者的预测结果。/n

【技术特征摘要】
1.一种阿尔兹海默症分类预测方法，其特征在于，包括：
获取阿尔兹海默症患者的磁共振成像的图像样本，并预处理所述图像样本，获取所述图像样本的k个特征指标；
采用多种特征选择算法将所述k个特征指标输入到所述特征选择算法对应的分类预测模型中，从所述k个特征指标中选取优质特征集，所述优质特征集中包括a个特征指标，a≤k；
将测试者的所述优质特征集输入到所述对应的预测分类模型中，得到分类结果；
采用投票法处理所述分类结果，得到测试者的预测结果。


2.根据权利要求1所述的一种阿尔兹海默症分类预测方法，其特征在于，所述并预处理所述图像样本包括：
对所述图像样本进行去头骨、配准、白质分割以及灰度归一化处理，获取所述图像样本中脑区各区域及各区域对应的特征个数。


3.根据权利要求2所述的一种阿尔兹海默症分类预测方法，其特征在于，所述获取所述图像样本的k个特征指标包括：
从所述脑区中选取所需的区域数以及所述区域对应的特征个数，并将所述区域数与所述特征个数相乘得到k个特征指标。


4.根据权利要求2所述的一种阿尔兹海默症分类预测方法，其特征在于，所述各区域对应的特征个数具体为8个，包括表面面积、灰质体积、平均厚度、厚度标准差、积分校正平均曲率、积分校正高斯曲率、折叠指数和内在曲率指数。


5.根据权利要求1所述的一种阿尔兹海默症分类预测方法，其特征在于，所述多种特征选择算法具体包括：评价选择算法、遗传选择算法、方差选择算法。


6.根据权利要求5所述的一种阿尔兹海默症分类预测方法，其特征在于，当特征选择算法为所述评价选择算法时，所述从所述k个特征指标选取优质特征集具体包括：
将所述k个特征指标训练第一分类预测模型得到整体模型的准确度C；
从所述k个特征指标中剔除第i个特征指标1≤i≤k，将剩余的k-1个特征指标训练所述第一分类预测模型中得到准确度Ci；则第i个特征指标的重要程度评估值Vi＝C-Ci；
将Vi与预设的评估阈值做对比，去除不合格的所述重要程度评估值，剩余的所述重要程度评估值对应的特征指标为优质特征集。


7.根据权利要求5所述的一种阿尔兹海默症分类预测方法，其特征在于，当特征选择算法为所述遗...

【专利技术属性】
技术研发人员：曾安，高征，潘丹，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44