[發明專利]一種基于腦核磁共振圖像多維度紋理建立預測模型的方法

在審

• 申請號: 201410023582.5
• 申請日: 2014-01-17
• 公開（公告）號: CN103793908A
• 公開（公告）日: 2014-05-14
• 發明（設計）人: 郭秀花;高妮;王晶晶;羅艷俠;郭晉
• 申請（專利權）人: 首都醫科大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06F19/00
• 代理公司: 北京市商泰律師事務所 11255
• 代理人: 毛燕生

技術領域：

本發明屬于醫學技術領域，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測模型的方法。

背景技術：

在輔助診斷早期阿爾茨海默病（AD）中，識別MRI圖像中ROIs（包括內嗅皮層，海馬）的性質具有重要意義。但MRI影像技術只能以海馬萎縮作為區別患者和正常人的指標之一，醫生對MRI圖像的解釋易受主觀個人影響，缺乏一致性，且不易準確評價癡呆患者癥狀的嚴重程度。

1、現有的圖像處理技術；

Contourlet變換

Contourlet變換繼承了Curvelet變換的各向異性尺度關系,在一定意義上它是Curvelet變換的另一種實現方式。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,再根據方向信息將位置相近的奇異點匯集成輪廓段。

Contourlet變換可分為兩個部分：拉普拉斯塔式濾波器結構(Laplacian?Pyramid,LP)和二維方向濾波器組(Directional?Filter?Bank,DFB)。LP分解首先產生原始信號的一個低通采樣逼近及原始圖像與低通預測圖像之間的一個差值圖像,對得到的低通圖像繼續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構的共軛鏡像濾波器組以避免對輸入信號的調制,同時將1層二叉樹狀結構的方向濾波器變成了21個并行通道的結構。

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，其基函數分布于多尺度、多方向上，少量系數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。

但是這些新方法在處理不同部位的MRI圖像時，需要利用基函數重新構造新算法、選取適宜的參數，因此仍有許多理論問題值得研究。Contourlet變換已經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。

2、現有常用的預測模型包括有監督機器學習模型和半監督機器學習模型：

（1）有監督機器學習模型：

1）高斯過程(Gaussian?Processes,GP):

高斯過程分類算法是一類有監督學習算法，它建立在貝葉斯框架下，最早被用于解決非線性實值預測問題。假定有數據集D＝{(x_i,y_i)|y_i＝±1,i＝1,2,…,n},二分類問題本質就是要在泛函空間F中尋找一個合適的映射f(x)，使得利用y＝f(x)能夠對樣本進行正確的分類，利用高斯回歸算法進行分類的基本思想就是在f(x)為高斯過程的假設下，以貝葉斯準則中的后驗概率最大化為目標，尋找合適的f(x)。首先假設存在一個隱函數f(x)＝φ(x)^Tw定義了輸入屬性和輸出屬性（類標簽）之間的映射關系。同時假定類標簽獨立同分布，且服從條件概率p(y|f(x))，則對于二分類問題，樣本x_i屬于類別y_i的概率為：

p(y_i|f_i)＝σ(y_if_i)

其中f_i＝f(x_i)為隱函數，σ(·)為Sigmoid類函數，如Logistic函數或累積高斯函數。由于訓練樣本相互獨立，因此對應的似然概率是：