[发明专利]老年痴呆症图像早期诊断系统

说明书

技术领域

本发明属于一种疾病诊断系统，具体涉及一种老年痴呆症图像早期诊断系统。

背景技术

脑MR图像处理方法是研究老年痴呆症早期诊断的有力工具，目前已经取得了一定的积极效果。其中，获取高质量的生物学特征是该方法成功的关键。医学研究发现，脑MR图像中解剖结构的不对称性与老年痴呆症早期演化密切相关,不对称性特征可以表征脑部早期病变过程，有助于实现早期诊断。近年来国内外一些学者开始研究脑解剖结构的不对称性特征对老年痴呆症早期诊断的作用。所涉及到的解剖结构有：海马体，侧脑室，灰质，白质，神经皮质等。相关的特征类型仅涉及到体积和厚度。这些研究已应用于对CTL、MCI和AD的分类中，证明了不对称性特征可以有效区分正常状态与早期病变状态，具有较强的表征早期病变过程的作用。但是这些研究也存在一些局限性：首先，零散的研究了部分脑解剖结构的不对称性，没有系统的全面研究所有相关的脑解剖结构，例如，顶叶和额叶等已被医学证明也与老年痴呆症有关，但其不对称性并没有被研究到。其次，不对称性特征类型单一，目前其种类仅限于体积和厚度。研究表明，脑解剖结构在变化过程中，不仅体积和厚度会发生变化，其形状、纹理也会发生变化。因此，需要考虑相关的形状特征、纹理特征等。总的来说，目前关于不对称性特征的研究只证明了特征的有效性，但没有解决如何提取并选择出最能表征老年痴呆症早期病变的不对称性特征组合的问题，极大的阻碍了不对称性特征在老年痴呆症早期诊断中的应用。

在不对称性特征提取方面，目前所有相关的研究均是采用单个病人对应单个时间状态的图像进行的。由于老年痴呆症早期病变是从CTL到MCI的变化过程，因此基于单个时间状态的图像提取的不对称性特征不能反映这一变化过程，存在局限性。研究表明，基于多个时间状态的图像提取的特征比基于单个时间状态的图像具有更高的分类准确率。因此可以采用单个病人对应两个时间点状态图像进行不对称性特征提取解决。这样提取的特征可以反映脑部解剖结构从一个时间状态转移到另一个时间状态的过程，从而能够及时跟踪脑部早期病变过程，起到早期诊断的作用。

在不对称性特征选择方面，Yanxi Liu课题组尝试研究了多个脑MR图像中解剖结构的不对称性特征的获取方法。他们提取了基底前脑、前下尾核、海马旁回等多个解剖结构的体积及纹理等多个特征，发现其数量非常惊人，将其全部进行分类根本不可行。此外，特征间存在一定的相关性，因此理论上，即使将它们全部用于分类，也并不能带来最优的分类准确率，因此特征选择非常必要。关键是如何提高选择的质量？

不对称性特征选择本质上是最优化问题，即寻找最优不对称性特征子集，其可以看成是模式分类的逆问题。基于不对称性特征的老年痴呆症早期诊断，它有如下几个特点：1）缺乏充分的医学先验知识，因此需要采用智能的方法在图像数据中去挖掘。2）个体图像样本间有一定的差异，因此选择出的特征需要具有一定的自适应性和演化能力，其特征选择方法应具有较好的泛化能力。3）待选特征空间大，不同特征组合之间的差异小，因此需要能够在复杂数据中挖掘细微信息的全局智能优化方法。

现有的特征选择方法属于典型的局部优化方法，容易陷入局部极值。与之相比，机器学习方法则可以很好的满足以上要求，因此已被成功用于各种医学图像处理中的特征选择问题中，包括尿沉渣图像识别、脑肿瘤MR图像分类、医学图像检索、宫颈癌诊断、肝超声图像识别、肺气肿诊断、肺超声图像识别、医学图像分割、内侧颞叶癫痫诊]等。

但是目前还没有公开研究报道机器学习用于面向老年痴呆症的脑图像特征选择中，更没有关于不对称性特征选择。此外，分类器参数优化与特征选择也是单独进行的。这将导致最优特征子集与优化后的参数不匹配，不利于获取最优的分类准确率（即疾病诊断准确率）。这些不足都极大的限制了机器学习用于脑MR图像中解剖结构的不对称性特征的选择中。

现有技术的缺点是：基于以上文献分析，形成了一个总的结论：不对称性变化深刻反映了老年痴呆演变过程中功能的衰退，与脑部早期病变紧密相关。但是目前关于不对称性特征的研究仅针对单个时间状态的图像进行，并且没有解决如何系统全面的获取最优的不对称性特征组合用于老年痴呆症早期诊断，极大的妨碍了其向临床应用发展。

发明内容