一种基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法_CN109840554A
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
本发明公开了一种基于SVM-RFE-MRMR算法 的阿兹海默症MRI图像分类方法。按下述步骤进 行：a .采用VBM方法确定MRI图像中的病灶区，计 算病灶区的灰质体积作为形态学特征，提取包括 灰 度共生矩阵 和灰 度- 梯度共生矩阵的 纹理特 征；b .将步骤a中所述的形态学特征和纹理特征 组合，使用SVM-RFE-MRMR算法对组合的特征进行 选择，得选择后组合特征；c .对选择后组合特征 使 用SVM-RFE算法进行特征排 序 ，排 序后采 用径 向 核函数的 SVM算法对特征进行分类 ，分类前将 选择后组合特的数据归一化到[0 ,1 ]之间。本发 明的识别方法具有劳动强度小、效率高、准确率 和识别率高的特点。
(10)申请公布号 CN 109840554 A (43)申请公布日 2019.06.04
权利要求书2页 说明书14页 附图3页
CN 109840554 A
CN 109840554 A
权 利 要 求 书
1/2 页
1 .一种基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特征在于，按下述步 骤进行：
2
CN 109840554 A
权 利 要 求 书
2/2 页
6 .根据权利要求1所述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特 征在于，步骤a中，所述的VBM方法具体采用VBM-Dartel方法。
7 .根据权利要求1所述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特 征在于，步骤a中，灰度共生矩阵的提取具体是：沿MRI图像灰度的方向，相邻间隔，提取0 °、 45 °、90 °和145 °四个方向 ；相邻间隔分别是1、2、3、4、5、6 ，并且还包括12个统计参数。
a .采用VBM方法确定MRI图像中的病灶区，计算病灶区的灰质体积作为形态学特征，提 取包括灰度共生矩阵和灰度-梯度共生矩阵的纹理特征；
b .将步骤a中所述的形态学特征和纹理特征组合，使用SVM-RFE-MRMR算法对组合的特 征进行选择，得选择后组合特征；
c .对选择后组合特征使用SVM-RFE算法进行特征排序，排序后采用径向核函数的SVM算 法对特征进行分类，分类前将选择后组合特的数据归一化到[0 ,1]之间；
(72)发明人 李晖 施若 冯刚
(74)专利代理机构 北京联创佳为专利事务所 (普通合伙) 11362
代理人 韩炜
(51)Int .Cl . G06K 9/62(2006 .01) G06T 7/00(2017 .01)
( 54 )发明 名称 一种基于SVM-RFE-MRMR算法的阿兹海默症
MRI图像分类方法 ( 57 )摘要
步骤b中 ，SVM-RFE-MRMR算法具体是使 用SVM-RFE算法和MRMR算法中互信息计算量对特 征进行选择，具体公式如下：
其中，r表示特征选择的评价因子； 0<β<1； w表示SVM-RFE算法中的权向量； D表示MRMR算法中特征与类别间的相关性； m表示每次递归消除后所剩的特征个数； R表示MRMR算法中特征间的相关性。 2 .根据权利要求1所述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特 征在于，步骤a中，所述的MRI图像中的病灶区按下述方法确定： 将全部MRI图像配准至MNI空间的标准模板上； 将配准后的MRI图像分割成灰质、白质、脑脊液； 分割后的灰质图像经过雅克比行列式进行容积变化校正； 利用12mm的半高全宽高斯平滑核对所有分割和校正后的灰质图像进行平滑处理； 对平滑处理 后的 灰 质图 像采 用VBM统计分析中的 GLM模型进行统计分析 ，在GLM模型的 基础上对假设前提进行双样本t检验，以检测两组灰质图像的灰质密度的差异性，具有显著 差异的灰质密度区域，确定为病灶区。 3 .根据权利要求2所述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特 征在于 ，在检测整灰 质密度的差异性时 ，采 用FDR校正方法进行多重校验 ；经过FDR校正方法 校正后得到灰质图像中的灰质密度差异显著的区域信息，根据所述的区域信息，选取显著 性差异明显的区域作确定为病灶区。 4 .根据权利要求2所述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特 征在于，步骤a中，所述的形态学特征的计算如下： 病灶区确定后，制作病灶区二值掩膜； 之后，对病灶区二值掩膜进行重采样，使其与灰质图像的维度一致； 最后，使用重采样后的病灶区二值掩膜对灰质图像进行点成计算，得到灰质体积，即为 形态学特征。 5 .根据权利要求4所述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特 征在于，所述的病灶区二值掩膜，采用WFU_PickAtlas工具制作。
8 .根据权利要求1所述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特 征在于 ，步骤a中 ，灰度共生矩阵的提取具体是 ：提取15个参数作为灰度-梯度共生矩阵的特 征。
9 .根据权利要求1所述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特 征在于，步骤c中，分类时，使用粒子群算法优化SVM参数。
3
CN 109840554 A
说 明 书
1/14 页
一种基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法
技术领域 [0001] 本发明涉及医学图像分类领域，特别是一种基于SVM-RFE-MRMR算法的阿兹海默症 MRI图像分类方法。
背景技术 [0002] 医学图像处理是当今最具挑战性和新兴的领域。从磁共振(MRI)脑图像中提取，识 别和分割病灶区域是一个重要的问题。比如，对阿尔茨海默症患者(AD)、轻度认知障碍患者 (MCI)和正常个体(NC)的MRI图像的分类识别。但是由于放射科医生或临床专家执行的任务 是一项沉闷 且耗时的 任务 ，并 且最终的 分类准 确性 仅取决 于他 们的 经验 ，因此目 前对AD、 MCI和NC的MRI图像的分类识别存在劳动强度大，效率低和识别准确率不稳定的情况。
( 19 )中华人民 共和国国家知识产权局
( 12 )发明专利申请
(21)申请号 201910047517 .9
(22)申请日 2019 .01 .18
( 66 )本国优先权数据 201811605083 .1 2018 .1Байду номын сангаас .26 CN
(71)申请人 贵州联科卫信科技有限公司 地址 550001 贵州省贵阳市云岩区渔安安 井片区未来方舟D12组团（A）1单元6层 14号
(10)申请公布号 CN 109840554 A (43)申请公布日 2019.06.04
权利要求书2页 说明书14页 附图3页
CN 109840554 A
CN 109840554 A
权 利 要 求 书
1/2 页
1 .一种基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特征在于，按下述步 骤进行：
2
CN 109840554 A
权 利 要 求 书
2/2 页
6 .根据权利要求1所述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特 征在于，步骤a中，所述的VBM方法具体采用VBM-Dartel方法。
7 .根据权利要求1所述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特 征在于，步骤a中，灰度共生矩阵的提取具体是：沿MRI图像灰度的方向，相邻间隔，提取0 °、 45 °、90 °和145 °四个方向 ；相邻间隔分别是1、2、3、4、5、6 ，并且还包括12个统计参数。
a .采用VBM方法确定MRI图像中的病灶区，计算病灶区的灰质体积作为形态学特征，提 取包括灰度共生矩阵和灰度-梯度共生矩阵的纹理特征；
b .将步骤a中所述的形态学特征和纹理特征组合，使用SVM-RFE-MRMR算法对组合的特 征进行选择，得选择后组合特征；
c .对选择后组合特征使用SVM-RFE算法进行特征排序，排序后采用径向核函数的SVM算 法对特征进行分类，分类前将选择后组合特的数据归一化到[0 ,1]之间；
(72)发明人 李晖 施若 冯刚
(74)专利代理机构 北京联创佳为专利事务所 (普通合伙) 11362
代理人 韩炜
(51)Int .Cl . G06K 9/62(2006 .01) G06T 7/00(2017 .01)
( 54 )发明 名称 一种基于SVM-RFE-MRMR算法的阿兹海默症
MRI图像分类方法 ( 57 )摘要
步骤b中 ，SVM-RFE-MRMR算法具体是使 用SVM-RFE算法和MRMR算法中互信息计算量对特 征进行选择，具体公式如下：
其中，r表示特征选择的评价因子； 0<β<1； w表示SVM-RFE算法中的权向量； D表示MRMR算法中特征与类别间的相关性； m表示每次递归消除后所剩的特征个数； R表示MRMR算法中特征间的相关性。 2 .根据权利要求1所述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特 征在于，步骤a中，所述的MRI图像中的病灶区按下述方法确定： 将全部MRI图像配准至MNI空间的标准模板上； 将配准后的MRI图像分割成灰质、白质、脑脊液； 分割后的灰质图像经过雅克比行列式进行容积变化校正； 利用12mm的半高全宽高斯平滑核对所有分割和校正后的灰质图像进行平滑处理； 对平滑处理 后的 灰 质图 像采 用VBM统计分析中的 GLM模型进行统计分析 ，在GLM模型的 基础上对假设前提进行双样本t检验，以检测两组灰质图像的灰质密度的差异性，具有显著 差异的灰质密度区域，确定为病灶区。 3 .根据权利要求2所述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特 征在于 ，在检测整灰 质密度的差异性时 ，采 用FDR校正方法进行多重校验 ；经过FDR校正方法 校正后得到灰质图像中的灰质密度差异显著的区域信息，根据所述的区域信息，选取显著 性差异明显的区域作确定为病灶区。 4 .根据权利要求2所述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特 征在于，步骤a中，所述的形态学特征的计算如下： 病灶区确定后，制作病灶区二值掩膜； 之后，对病灶区二值掩膜进行重采样，使其与灰质图像的维度一致； 最后，使用重采样后的病灶区二值掩膜对灰质图像进行点成计算，得到灰质体积，即为 形态学特征。 5 .根据权利要求4所述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特 征在于，所述的病灶区二值掩膜，采用WFU_PickAtlas工具制作。
8 .根据权利要求1所述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特 征在于 ，步骤a中 ，灰度共生矩阵的提取具体是 ：提取15个参数作为灰度-梯度共生矩阵的特 征。
9 .根据权利要求1所述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特 征在于，步骤c中，分类时，使用粒子群算法优化SVM参数。
3
CN 109840554 A
说 明 书
1/14 页
一种基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法
技术领域 [0001] 本发明涉及医学图像分类领域，特别是一种基于SVM-RFE-MRMR算法的阿兹海默症 MRI图像分类方法。
背景技术 [0002] 医学图像处理是当今最具挑战性和新兴的领域。从磁共振(MRI)脑图像中提取，识 别和分割病灶区域是一个重要的问题。比如，对阿尔茨海默症患者(AD)、轻度认知障碍患者 (MCI)和正常个体(NC)的MRI图像的分类识别。但是由于放射科医生或临床专家执行的任务 是一项沉闷 且耗时的 任务 ，并 且最终的 分类准 确性 仅取决 于他 们的 经验 ，因此目 前对AD、 MCI和NC的MRI图像的分类识别存在劳动强度大，效率低和识别准确率不稳定的情况。
( 19 )中华人民 共和国国家知识产权局
( 12 )发明专利申请
(21)申请号 201910047517 .9
(22)申请日 2019 .01 .18
( 66 )本国优先权数据 201811605083 .1 2018 .1Байду номын сангаас .26 CN
(71)申请人 贵州联科卫信科技有限公司 地址 550001 贵州省贵阳市云岩区渔安安 井片区未来方舟D12组团（A）1单元6层 14号