一種基于腦核磁共振圖像多維度紋理建立預(yù)測模型的方法
【專利摘要】本發(fā)明公開了一種基于腦核磁共振圖像多維度紋理建立預(yù)測模型的方法，運用區(qū)域增長法將圖像進行分割，采用Contourlet變換方法提取ROIs的邊緣紋理特征參數(shù)，建立多維度數(shù)據(jù)庫，采用多種數(shù)據(jù)挖掘方法，包括高斯過程、支持向量機、隨機森林、Lasso回歸以及半監(jiān)督支持向量機，建立預(yù)測模型。其中ROIs包括海馬，內(nèi)嗅皮層區(qū)域。
【專利說明】—種基于腦核磁共振圖像多維度紋理建立預(yù)測模型的方法
【技術(shù)領(lǐng)域】:
[0001]本發(fā)明屬于醫(yī)學(xué)【技術(shù)領(lǐng)域】，具體涉及一種基于核磁共振圖像多維度紋理提取的建立預(yù)測模型的方法。
【背景技術(shù)】:
[0002]在輔助診斷早期阿爾茨海默病(AD)中，識別MRI圖像中ROIs (包括內(nèi)嗅皮層，海馬)的性質(zhì)具有重要意義。但MRI影像技術(shù)只能以海馬萎縮作為區(qū)別患者和正常人的指標(biāo)之一，醫(yī)生對MRI圖像的解釋易受主觀個人影響，缺乏一致性，且不易準(zhǔn)確評價癡呆患者癥狀的嚴(yán)重程度。
[0003]1、現(xiàn)有的圖像處理技術(shù)；
[0004]Contourlet 變換
[0005]Contourlet變換繼承了 Curvelet變換的各向異性尺度關(guān)系，在一定意義上它是Curvelet變換的另一種實現(xiàn)方式。Contourlet變換的基本思想是首先用一個類似小波的多尺度分解捕捉邊緣奇異點，再根據(jù)方向信息將位置相近的奇異點匯集成輪廓段。
[0006]Contourlet變換可分為兩個部分:拉普拉斯塔式濾波器結(jié)構(gòu)(LaplacianPyramid, LP)和二維方向濾波器組(Directional Filter Bank, DFB)。LP分解首先產(chǎn)生原始信號的一個低通采樣逼近及原始圖像與低通預(yù)測圖像之間的一個差值圖像，對得到的低通圖像繼續(xù)分解得到下一層的低通圖像和差值圖像，如此逐步濾波得到圖像的多分辨率分解；DFB濾波器組使用扇形結(jié)構(gòu)的共軛鏡像濾波器組以避免對輸入信號的調(diào)制，同時將I層二叉樹狀結(jié)構(gòu)的方向濾波器變成了 21個并行通道的結(jié)構(gòu)。
[0007]Contourlet變換是一種新的圖像二維表示方法,具有多分辨率、局部定位、多方向性、近鄰界采樣和各向異性等性質(zhì)，其基函數(shù)分布于多尺度、多方向上，少量系數(shù)即可有效地捕捉圖像中的邊緣輪廓，而邊緣輪廓正是圖像中的主要特征。
[0008]但是這些新方法在處理不同部位的MRI圖像時，需要利用基函數(shù)重新構(gòu)造新算法、選取適宜的參數(shù)，因此仍有許多理論問題值得研究。Contourlet變換已經(jīng)成功地用于圖像融合等實際問題，而用于腦部圖像紋理特征提取的文獻報道鳳毛麟角。目前尚未見有人使用第二代小波變換以及Contourlet變換進行AD腦部MRI圖像紋理提取。
[0009]2、現(xiàn)有常用的預(yù)測模型包括有監(jiān)督機器學(xué)習(xí)模型和半監(jiān)督機器學(xué)習(xí)模型:
[0010](I)有監(jiān)督機器學(xué)習(xí)模型:
[0011]I)高斯過程(Gaussian Processes, GP):
[0012]高斯過程分類算法是一類有監(jiān)督學(xué)習(xí)算法，它建立在貝葉斯框架下，最早被用于解決非線性實值預(yù)測問題。假定有數(shù)據(jù)集D= {(Xi，Yi) 1Yi=±l，i = l，2，...，!!}，二分類問題本質(zhì)就是要在泛函空間F中尋找一個合適的映射f(x)，使得利用y = f (χ)能夠?qū)颖具M行正確的分類，利用高斯回歸算法進行分類的基本思想就是在f(x)為高斯過程的假設(shè)下，以貝葉斯準(zhǔn)則中的后驗概率最大化為目標(biāo)，尋找合適的f (χ)。首先假設(shè)存在一個隱函數(shù)f(x) = Φ 00Tw定義了輸入屬性和輸出屬性(類標(biāo)簽)之間的映射關(guān)系。同時假定類標(biāo)簽獨立同分布，且服從條件概率P (y I f (X))，則對于二分類問題，樣本Xi屬于類別Ii的概率為:
[0013]P(YiIfi) = σ (Yjfi)
[0014]其中A = If(Xi)為隱函數(shù)，σ (.)為Sigmoid類函數(shù),如Logistic函數(shù)或累積高斯函數(shù)。由于訓(xùn)練樣本相互獨立，因此對應(yīng)的似然概率是:
【權(quán)利要求】
1.一種基于腦核磁共振圖像多維度紋理建立預(yù)測模型的方法，其特征在于:運用區(qū)域增長法將圖像進行分割，采用Contourlet變換方法提取ROIs的邊緣紋理特征參數(shù)，并建立數(shù)據(jù)庫，建立預(yù)測模型。
2.權(quán)利要求1所述的方法，其特征在于，具體包括以下步驟: (1)建立ROIs圖像庫； (2)運用區(qū)域增長法將圖像中ROIs分割出來； (3)采用Contourlet變換處理圖像，提取以下各變量，熵、灰度均值、相關(guān)性、能量、同質(zhì)度、方差、最大概率、逆差距、聚類趨勢、對比度、和的均值、差的均值、和的熵、差的熵； (4)用步驟(2)?(3)所得到的各種變量數(shù)據(jù)建立圖像特征參量數(shù)據(jù)庫； (5)根據(jù)步驟(4)的數(shù)據(jù)庫構(gòu)建預(yù)測模型，建立預(yù)測模型的方法包括高斯過程、支持向量機、隨機森林、Lasso回歸以及半監(jiān)督支持向量機； (6)將步驟(4)所得到的各種參量數(shù)據(jù)與樣本進行驗證，修正預(yù)測模型，得到結(jié)果準(zhǔn)確的理想模型。
【文檔編號】G06F19/00GK103793908SQ201410023582
【公開日】2014年5月14日 申請日期:2014年1月17日 優(yōu)先權(quán)日:2014年1月17日
【發(fā)明者】郭秀花, 高妮, 王晶晶, 羅艷俠, 郭晉 申請人:首都醫(yī)科大學(xué)