[发明专利]一种基于深度森林的阿尔兹海默病分类方法

说明书

技术领域

本发明涉及医学图像分类和模式识别与机器学习领域，特别涉及一种基于深度森林的阿尔兹海默病分类方法，用于对阿尔兹海默病进行分类判断。

背景技术

在图像处理技术和模式识别与机器学习理论和方法蓬勃发展的今天，医学图像处理作为与人类生活最密切的领域之一，跟随人工智能的脚步越来越受到人们关注。阿尔兹海默病的分类是医学图像分类领域的一个重要分支，在阿尔兹海默病的计算机辅助诊断中具有重要意义，特别是在病情的前期诊断及病情恶化的及时控制中尤为重要。

MRI(Magnetic Resonance Imaging)图像能够提供丰富的脑组织形态特征，特别是与阿尔兹海默病相关的海马体、颞叶、额叶等部位的特征，同时阿尔兹海默病患者脑部会出现大量的萎缩，这主要体现在灰质上。

近些年来，机器学习被广泛用于脑部疾病诊断，采用了各种不同的方式从神经影像的模式来提取特征。但是传统的机器学习方法已经满足不了医学疾病的处理及分类，所以深度学习的引入，为医学领域带来了一丝希望，但是深度学习的学习模型容量很大，同时必须要有大数据、大计算力，而医学图像的样本相对较少，因此该方法具有很大的局限性。

其余传统的特征提取算法如：PCA，ICA等，都是首先将图像向量化得到特征再进行特征提取，这样就会破坏了图像特征之间的联系。特别是阿尔兹海默病和大脑中绝大多数脑区都有很大的相关性，直接向量化会破坏特征之间的联系，导致特征信息的丢失。

传统的机器学习分类算法如SVM、随机森林，通过对阿尔兹海默病的MRI图像特征及进行分类得到的分类结果分别为83％、85.6％，分类的准确率低。

发明内容

本发明的目的在于：提供了一种基于深度森林的阿尔兹海默病分类方法，解决了传统机器学习算法提取阿尔兹海默病的MRI图像的特征困难，从而使阿尔兹海默病的分类精度低的技术问题。

本发明采用的技术方案如下：

一种基于深度森林的阿尔兹海默病分类方法，包括以下步骤：

步骤1：将检测阿尔兹海默病的MRI图像作为多粒度扫描的输入，所述多粒度扫描的输出连接级联森林，所述级联森林输出MRI图像的一个类向量，完成深度森林模型的构建；

步骤2：对若干已知类别的MRI图像进行预处理；

步骤3：所述深度森林模型扩展一级，则利用预处理后的MRI图像进行训练和测试，当测试结果没有显著提高，则完成训练，否则扩展下一级继续训练；

步骤4：将预处理后待分类的MRI图像输入到训练完成的深度森林，输出得到该MRI图像的分类结果。

进一步的，所述预处理的具体步骤如下：

S201：对MRI图像进行AC-PC原点矫正；

S202：将每个矫正后的MRI图像进行分割，得到MRI灰质图像；

S203：将所述MRI灰质图像标准化到统一的MNI模板，使每个MRI灰质图像的大小统一；

S204：对标准化后的MRI灰质图像进行平滑和下采样处理，并将处理后的图像进行切片，得到预处理后的MRI图像，所述MRI图像分为训练样本和测试样本。

进一步的，步骤3中，训练和测试的具体步骤为：

S301：将所述训练样本作为多粒度扫描的输入，所述多粒度扫描的滑动窗口在所述训练样本上滑动扫描特征，从而生成一个变换特征向量；

S302：改变N次所述滑动窗口大小，重复步骤S301，得到N个变换特征向量；

S303：将所述N个变换特征向量作为级联森林的输入，所述级联森林扩展一级，则训练一次；

S304：将所述测试样本输入到训练后的深度森林进行测试，输出测试结果，当测试结果没有显著提高，则完成训练，否则更换下一个训练样本，跳转至步骤S301。

进一步的，所述深度森林输出一个类向量，所述类向量为不同类别的MRI图像概率向量的最大值，所述MRI图像的分类结果包括阿尔兹海默病(AD)、轻度认知障碍(MCI)和正常人(NC)。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1.为了更好的提取阿尔兹海默病患者脑部特征信息，本发明采用多粒度扫描来扫描MRI图像原始特征，不仅提取了MRI图像中像素点本身的特征，还提取了像素点之间的空间关系特征。通过使用多个尺寸的滑动窗口，最终的变换特征向量包括了更多的特征，从而可以更好的描述样本。