[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

摘要

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。

主权项

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CT和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(8)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。