一种阿尔茨海默症影像分析方法与装置制造方法及图纸

本发明专利技术公开了一种阿尔茨海默症影像分析方法与装置。其中阿尔茨海默症影像分析方法包括预处理阶段、一次降维阶段和二次降维阶段，过程如下：首先将原始图像格式转换为符合处理图像方法的数据输入格式，处理图像；随后进行一次降维，选定种子点，得到功能连接图，将功能连接图进行统计学分析，得到功能连接图在不同组间的显著性差异区域，将相应被试在显著性差异区域内的功能连接值提取出来，拼接成为特征向量；最后，对特征向量使用机器学习方法进行二次降维，降维后的数据放入SVM分类器中，进行交叉验证，并输出分类结果。实验证明本发明专利技术提出的分析方法能高效地提取特征，并对阿尔茨海默症的自动化影像分析具有积极意义。默症的自动化影像分析具有积极意义。默症的自动化影像分析具有积极意义。

【技术实现步骤摘要】
一种阿尔茨海默症影像分析方法与装置


[0001]本专利技术涉及图像处理领域，特别涉及一种阿尔茨海默症影像分析方法与装置。

技术介绍

[0002]阿尔茨海默症(AD)属于神经退行性疾病的一种，轻度认知障碍(MCI)是其早期阶段。一般来说，神经退行性疾病的脑医学影像不同于具有明显可视病变的肿瘤类疾病，尤其是在此类疾病的早期阶段，影像变化并不明显，功能性磁共振(fMRI)作为一种医学上重要的影像检测手段，往往比结构性磁共振表现出更早的变化，fMRI作为本方法的研究重点。
[0003]大脑功能连接指的是大脑皮层不同区域之间时空相关性的描述性度量，可以为大脑的功能缺陷和与脑部疾病相关的潜在结构破坏之间的关系提供新的思路和见解。有证据表明，阿尔茨海默症以及其他一些神经退行性疾病存在功能连接的异常增强或减弱，且人为地改变功能连接可以改善疾病引发的情感失调。因此，功能连接在医学上有很好的发展前景。目前大多数针对于fMRI的研究都是从基于感兴趣区的功能连接矩阵中提取路径长度、聚合系数等作为特征，但这样得到的中间病理信息太过粗糙。而以一个或多个固定感兴趣区域为种子点与全脑体素建立功能连接，即基于体素的功能连接方法，能更有针对性地探究种子点与全脑体素之间功能连接的变化，从中提取到的特征也更具有可解释性。
[0004]功能磁共振影像是四维结构,它的前三维分别是长、宽、高，第四维是时间。由于四维结构的影像数据维度高，结构复杂，因此对小样本数据使用神经网络的分析方法通常会出现“维数灾难”和“过拟合”的问题，而且神经网络“学习”到的特征并不一定具有真正的生理学和统计学上的意义，这严重限制了小样本医学影像辅助分析的发展进程。另外，将如此高维的数据直接使用简单的特征提取方法提取特征的思路也难以实现。因此，在fMRI影像的基础上找到不同组的被试之间在基于体素的功能连接上具有显著差异的区域(一次降维)，再使用机器学习的方法对具有显著差异区域内的功能连接值进行降维(二次降维)也不失为一种新的特征提取方法，对疾病的研究具有重要意义。

技术实现思路

[0005]对小样本数据使用神经网络的分析方法通常会出现“维数灾难”和“过拟合”的问题，而且神经网络“学习”到的信息并不一定具有真正的生理学和统计学上的意义；另外，虽然机器学习被广泛应用在医学领域，但是面对高维数据时，冗余信息多，直接使用机器学习方法难以提取特征且特征表现效果差。目前广泛使用的一种分析方法是构建基于感兴趣区的功能连接矩阵，再提取功能连接的路径长度、聚合系数等信息作为特征，但此方法得到的特征过于粗糙。由于某些种子区域已被证实与阿尔茨海默症的形成有关联，在这种情况下，探究种子点与全脑的功能连接能更细腻和更有针对性地发现存在显著性异常的功能连接。针对这一问题，本专利技术通过构建基于体素方式的全脑功能连接，使用统计学分析找到组间有显著差异的区域，将差异区域内各被试的功能连接值作为被试的特征，从而将原来含上千万个体素的四维图像抽取为几百个功能连接值组成的特征向量，以达到降维的效果，且
有助于观察与种子点连接异常的区域，再继续以机器学习方法进行特征选择和特征提取，同时降低了时间复杂度和空间复杂度，最终有效地实现特征表示。
[0006]本专利技术采用的技术方案如下：
[0007]一种阿尔茨海默症影像分析方法，将功能性磁共振fMRI中具有统计学差异和代表意义的特征提取出来，所述方法包括预处理阶段、一次降维阶段和二次降维阶段；
[0008](一)预处理阶段，包括：
[0009](1)获取图像：通过线下采集的方式获取阿尔茨海默症患者的fMRI数据；
[0010](2)确认不同组被试之间没有人口统计学差异：将被试表示为阿尔茨海默症患者AD、轻度认知障碍MCI和正常人NC三组，对不同组被试的年龄、性别、受教育程度等变量做组间比较；
[0011](3)图像格式转换：将原始图像格式转换为符合处理图像方法的数据输入格式；
[0012](4)处理图像，具体步骤包括：
[0013](4
‑
1)降低扫描过程中的外在干扰：去除不稳定的前部时间点图像，进行时间层校正和头动校正，将每个被试的功能性磁共振配准到结构性磁共振上；
[0014](4
‑
2)改善图像质量：进行平滑和去线性漂移，提高图像的信噪比，降低因机器工作升温和被试适应产生的线性趋势；
[0015](4
‑
3)提取图像信息：将6个头动参数、白质、脑脊液作为协变量去除，只提取在固定频率范围内的信号；
[0016](二)一次降维阶段，包括：
[0017](1)功能连接：选定种子点，建立全脑功能连接图；
[0018](2)统计学分析：为了寻找三组被试中的每两组被试之间的差异，首先要对三组被试的脑功能连接图做显著性差异分析，提前对每组被试做显著性连接分析，以找出在组内与种子点有显著连接的区域，三组区域做一个并集，以此并集为掩膜做三组间的显著性差异分析，以显著性差异分析具有显著结果的区域作为掩膜，再对每两组被试的功能连接图做显著性差异分析，以检验每两组被试间的具体差异；
[0019](3)特征提取：经过一次降维阶段的步骤(2)，每两组被试之间都会得到一组具有显著差异的区域，将对应的每个被试在此区域内的功能连接值作为特征拼接起来，便组成一个特征向量，将所有种子点分别得到的对应的特征向量再次拼接，得到最终的特征向量，多个被试的特征向量便可形成一个特征矩阵，这个仅由几十或几百个数值组成的特征向量比原始的fMRI占用更少的空间，在训练模型时，也会消耗更少的时间；
[0020](三)二次降维阶段，包括：
[0021](1)机器学习方法降维：使用方差阈值法、互信息法、主成分分析法或稀疏主成分分析法对它进行再次降维；
[0022](2)将经过二次降维阶段步骤(1)处理的数据放入支持向量机中训练，保存模型和参数，交叉验证降维效果。
[0023]本专利技术还提出了一种阿尔茨海默症影像分析装置，包括：数据采集器、数据存储器、数据处理器，数据采集器用于采集原始数据，存储器中存储有相关计算机程序和图像数据，程序被数据处理器处理时能实现如前所述方法的步骤(一)至步骤(三)。
附图说明
[0024]图1是本专利技术一种阿尔茨海默症影像分析方法的流程图；
[0025]图2是本专利技术一种阿尔茨海默症影像分析方法的一次降维阶段的示意框图；
[0026]图3是本专利技术一种阿尔茨海默症影像分析装置的示意框图；
具体实施方式
[0027]为了能够更加详细的了解本专利技术的特点与
技术实现思路
，下面结合附图和实例对本专利技术作进一步说明，所附附图仅供参考说明使用。
[0028]第一，我们提出了一种阿尔茨海默症影像分析方法。
[0029]如图1所示，本专利技术提出的一种阿尔茨海默症影像的分析方法如下文所示：
[0030](一)预处理阶段：获取图像，通过线下采集的方式获取阿尔茨海默症患者的fMRI图像。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种阿尔茨海默症影像分析方法，将功能性磁共振fMRI中具有统计学差异和代表意义的特征提取出来，所述方法包括预处理阶段、一次降维阶段和二次降维阶段；(一)预处理阶段，包括：(1)获取图像：通过线下采集的方式获取阿尔茨海默症患者的fMRI数据；(2)确认不同组被试之间没有人口统计学差异：将被试表示为阿尔茨海默症患者AD、轻度认知障碍MCI和正常人NC三组，对不同组被试的年龄、性别、受教育程度等变量做组间比较；(3)图像格式转换：将原始图像格式转换为符合处理图像方法的数据输入格式；(4)处理图像，具体步骤包括：(4
‑
1)降低扫描过程中的外在干扰：去除不稳定的前部时间点图像，进行时间层校正和头动校正，将每个被试的功能性磁共振配准到结构性磁共振上；(4
‑
2)改善图像质量：进行平滑和去线性漂移，提高图像的信噪比，降低因机器工作升温和被试适应产生的线性趋势；(4
‑
3)提取图像信息：将6个头动参数、白质、脑脊液作为协变量去除，只提取在固定频率范围内的信号；(二)一次降维阶段，包括：(1)功能连接：选定种子点，建立全脑功能连接图；(2)统计学分析：为了寻找三组被试中的每两组被试之间的差异，首先要对三组被试的脑功能连接图做显...

【专利技术属性】
技术研发人员：吴强，朱奇晓，王大伟，
申请(专利权)人：山东大学，
类型：发明
国别省市：