[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

说明书

本发明提出一种基于自加权分级生物特征的医学图像分类方法。该方法通过在脊回归过程中添加图正则化项，充分利用MCI患者脑区之间的邻域关系信息，得到的回归系数更加准确地反映出AD和NC向MCI传递信息的情况。然后，该方法利用自加权分级方法对回归系数进行融合，保证融合过程中具有较大回归系数值的样本获得较大的权重，使得计算得到的自加权分级生物特征具有更强的区分性和鲁棒性。最后，利用支持向量机分类器进行分类。本发明方法显著提高了pMCI患者和sMCI患者的分类准确率。

技术领域

本发明涉及医学影像处理领域，具体地说是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。

背景技术

阿尔茨海默病(Alzheimer’s disease,AD)是一种常见的渐进式神经退行性疾病，据预测，到2050年，每85个人中将会有1个AD患者。作为最常见的一种老年痴呆病，AD伴随着记忆损失，认知能力下降，语言功能退化等特征，严重影响着人们的正常生活。轻度认知障碍(Mild cognitive impairment,MCI)通常被认为是正常老龄化和AD之间的一种过渡状态，它的特点是患者具有轻微的记忆障碍但认知功能基本完好。调查发现，超过三分之一的MCI患者将会在5年内转化为AD。根据MCI能否在随访时间内转化为AD，可进一步分为进行性MCI(pMCI)和稳定性MCI(sMCI)。因此，准确地区分pMCI和sMCI患者，以便提供有效且有针对性的治疗，尽可能地阻止或延迟从MCI向AD的转化，具有至关重要的意义。

磁共振影像(Magnetic resonance imaging,MRI)技术具有完全无创性、空间分辨率高、适用范围广、成本适中等特点，在不同阶段的AD检测中得到了广泛的应用。现实生活中，MRI已经成为诊断AD和MCI的一种有效工具，人们提出了许多基于MRI的分类方法，实现对疾病的辅助诊断。

由于pMCI患者的大脑皮层与AD患者有一些相似之处，而sMCI患者更像正常对照者(normal controls,NCs)，大量研究表明，利用AD和NC人群的信息有助于准确地区分pMCI和sMCI患者，从而实现MCI向AD的转化预测。脊回归是一种专门用于共线性数据分析的有偏估计回归方法，实质上是一种改良的最小二乘估计法。该方法通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价，获得更为符合实际、更可靠的回归系数。因此，可以通过脊回归方法，利用AD和NC群体数据对每个MCI患者数据进行回归，得到回归系数。如果AD患者对应的回归系数值较大，说明该MCI患者具有较多的AD特性，则划分为pMCI；否则，说明该MCI更接近于NC，有更大的可能性是sMCI。之后，利用分级方法对该MCI患者的回归系数进行融合，得到分级生物特征，用于后续分类。虽然利用脊回归方法可以将AD和NC群体的信息传递给MCI患者，但是该方法在回归过程中并没有充分利用脑区之间的关系信息，因此，AD和NC群体的信息并不能通过脊回归系数精确地传递给MCI患者。另外，原有的分级方法对回归系数进行融合时给予不同回归系数值相同的权重，该方法得到的分级生物特征并不能充分反映该MCI患者的偏向性，从而不能有效地区分pMCI和sMCI。如何将AD和NC人群的信息充分地传递给MCI患者，此外，如何对回归系数进行充分的融合进而提取到具有较强鉴别能力的MCI生物特征，提高pMCI和sMCI的分类准确率，是亟待解决的重要问题。

发明内容

本发明为克服上述现有技术的不足，提出一种基于自加权分级生物特征的医学图像分类方法。该方法通过在脊回归过程中添加图正则化项，充分利用MCI患者脑区之间的邻域关系信息，得到的回归系数更加准确地反映出AD和NC向MCI传递信息的情况。然后，该方法利用自加权分级方法对回归系数进行融合，保证融合过程中具有较大回归系数值的样本获得较大的权重，使得计算得到的自加权分级生物特征具有更强的区分性和鲁棒性。最后，利用支持向量机分类器进行分类。本发明方法显著提高了pMCI患者和sMCI患者的分类准确率。

本发明的技术方案是：