[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有效
申请号: | 201910410932.6 | 申请日: | 2019-05-17 |
公开(公告)号: | CN110136840B | 公开(公告)日: | 2022-12-20 |
发明(设计)人: | 李颖 | 申请(专利权)人: | 山东管理学院 |
主分类号: | G16H50/70 | 分类号: | G16H50/70;G16H30/20;G06V10/764 |
代理公司: | 山东瑞宸知识产权代理有限公司 37268 | 代理人: | 吕艳芹 |
地址: | 250357 山东*** | 国省代码: | 山东;37 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 加权 分级 生物 特征 医学 图像 分类 方法 装置 计算机 可读 存储 介质 | ||
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,…,xn]∈Rp×n定义为n幅AD和NC图像的特征矩阵,y∈Rp×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∈Rn×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sij定义为:
其中yi和yj分别定义为y中第i个和第j个脑区,Nk(yj)和Nk(yi)分别定义为yi和yj的k近邻,k近邻通过热核计算,记ai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∈Rp×p是一个对角矩阵,其对角线元素dii=∑jsij;
目标函数表示如下:
其中w∈Rn×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fj,具体方法为:
对于一个AD患者,fj设置为1,正常人的fj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wCT和wVOL,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。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于山东管理学院,未经山东管理学院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910410932.6/1.html,转载请声明来源钻瓜专利网。