[发明专利]一种基于脑核磁共振图像多维度纹理建立预测模型的方法

说明书

技术领域：

本发明属于医学技术领域，具体涉及一种基于核磁共振图像多维度纹理提取的建立预测模型的方法。

背景技术：

在辅助诊断早期阿尔茨海默病（AD）中，识别MRI图像中ROIs（包括内嗅皮层，海马）的性质具有重要意义。但MRI影像技术只能以海马萎缩作为区别患者和正常人的指标之一，医生对MRI图像的解释易受主观个人影响，缺乏一致性，且不易准确评价痴呆患者症状的严重程度。

1、现有的图像处理技术；

Contourlet变换

Contourlet变换继承了Curvelet变换的各向异性尺度关系,在一定意义上它是Curvelet变换的另一种实现方式。Contourlet变换的基本思想是首先用一个类似小波的多尺度分解捕捉边缘奇异点,再根据方向信息将位置相近的奇异点汇集成轮廓段。

Contourlet变换可分为两个部分：拉普拉斯塔式滤波器结构(Laplacian Pyramid,LP)和二维方向滤波器组(Directional Filter Bank,DFB)。LP分解首先产生原始信号的一个低通采样逼近及原始图像与低通预测图像之间的一个差值图像,对得到的低通图像继续分解得到下一层的低通图像和差值图像,如此逐步滤波得到图像的多分辨率分解；DFB滤波器组使用扇形结构的共轭镜像滤波器组以避免对输入信号的调制,同时将1层二叉树状结构的方向滤波器变成了21个并行通道的结构。

Contourlet变换是一种新的图像二维表示方法，具有多分辨率、局部定位、多方向性、近邻界采样和各向异性等性质，其基函数分布于多尺度、多方向上，少量系数即可有效地捕捉图像中的边缘轮廓，而边缘轮廓正是图像中的主要特征。

但是这些新方法在处理不同部位的MRI图像时，需要利用基函数重新构造新算法、选取适宜的参数，因此仍有许多理论问题值得研究。Contourlet变换已经成功地用于图像融合等实际问题，而用于脑部图像纹理特征提取的文献报道凤毛麟角。目前尚未见有人使用第二代小波变换以及Contourlet变换进行AD脑部MRI图像纹理提取。

2、现有常用的预测模型包括有监督机器学习模型和半监督机器学习模型：

（1）有监督机器学习模型：

1）高斯过程(Gaussian Processes,GP):

高斯过程分类算法是一类有监督学习算法，它建立在贝叶斯框架下，最早被用于解决非线性实值预测问题。假定有数据集D＝{(x_i,y_i)|y_i＝±1,i＝1,2,…,n},二分类问题本质就是要在泛函空间F中寻找一个合适的映射f(x)，使得利用y＝f(x)能够对样本进行正确的分类，利用高斯回归算法进行分类的基本思想就是在f(x)为高斯过程的假设下，以贝叶斯准则中的后验概率最大化为目标，寻找合适的f(x)。首先假设存在一个隐函数f(x)＝φ(x)^Tw定义了输入属性和输出属性（类标签）之间的映射关系。同时假定类标签独立同分布，且服从条件概率p(y|f(x))，则对于二分类问题，样本x_i属于类别y_i的概率为：

p(y_i|f_i)＝σ(y_if_i)

其中f_i＝f(x_i)为隐函数，σ(·)为Sigmoid类函数，如Logistic函数或累积高斯函数。由于训练样本相互独立，因此对应的似然概率是：