[发明专利]一种基于自加权分级生物特征的医学图像分类方法、装置和计算机可读存储介质

权利要求书

1.一种基于自加权分级生物特征的医学图像分类方法，该方法首先从阿尔茨海默病AD和正常对照者NC样本空间映射到轻度认知障碍MCI样本空间，在投影过程中通过添加图正则化项保持MCI患者脑区之间的邻域关系信息，得到投影向量；再利用一个自加权分级方法对投影向量进行融合，计算得到MCI患者的自加权分级生物特征；然后，从多种形态学特征中提取的自加权分级生物特征串联成一个向量，从不同角度反映AD和NC群体的信息传播；最后，基于该自加权分级生物特征向量对医学图像进行分类，该方法包括如下步骤：

(1)对采集的MRI图像进行预处理，提取形态学特征；

(2)基于图指导的信息传播的特征提取

记X＝[x₁,x₂,…,x_n]∈R^p×n定义为n幅AD和NC图像的特征矩阵，y∈R^p×1记为单幅MCI图像的特征向量，其中p为脑区数，通过脊回归方法得到y的表示如下：

其中w∈R^n×1为回归系数，λ是一个控制参数，上式第一项表示从AD和NC样本空间到MCI样本空间的线性回归，第二项用来拒绝过拟合；

为了保持每个MCI患者脑区之间的邻域关系，定义了一个图正则化项，具体方法是：

定义一个无向对称的图G＝(V,S)，V是y中脑区的集合，S是一个关联矩阵，S中的每个元素s_ij定义为：

其中yⁱ和y^j分别定义为y中第i个和第j个脑区，N_k(y^j)和N_k(yⁱ)分别定义为yⁱ和y^j的k近邻，k近邻通过热核计算，记a_i为(Xw)^T的第i列，图正则化项表示为：

其中L＝D-S是一个对称的半正定矩阵，D∈R^p×p是一个对角矩阵，其对角线元素d_ii＝∑_js_ij；

目标函数表示如下：

其中w∈R^n×1是回归系数，λ₁和λ₂是正则化调节参数，

求解优化问题，得到系数向量w；

(3)自加权分级生物特征的提取与整合

通过系数向量w以及AD和NC辅助数据的临床标记，计算自加权分级生物特征，辅助数据的临床标记定义为f_j，具体方法为：

对于一个AD患者，f_j设置为1，正常人的f_j设置为-1，一个MCI患者的自加权分级生物特征定义如下：

其中n是X中AD和NC样本的数目，w(j)是对应的图像X(j)的系数，分别使用皮层厚度CT和体积VOL特征从AD和NC样本空间映射到MCI样本空间，因此，得到两个系数向量w_CT和w_VOL，然后，通过公式(5)计算得到两个自加权分级生物标记和最后，为了整合CT和VOL信息，对于每一个MCI患者，将和连接成向量，作为后续分类的特征向量；

(4)支持向量机分类

基于第(3)步得到的特征向量，使用训练样本训练支持向量机分类器，对测试样本进行分类。

2.根据权利要求1所述的基于自加权分级生物特征的医学图像分类方法，其特征在于，步骤(1)的具体方式为：采集MRI图像数据，使用FreeSurfer软件进行预处理，提取皮层厚度CT和体积VOL两种形态学特征，CT指的是每个顶点中白质和灰质表面之间的最近距离，然后，使用高斯核函数对图像进行平滑，最后，使用自动解剖标记AAL模板计算每个解剖区域的平均CT和VOL。

3.根据权利要求1所述的基于自加权分级生物特征的医学图像分类方法，其特征在于，由于缺乏CT特征，排除掉AAL模板皮质下区域，使用其余脑区的数据。