[發(fā)明專利]一種基于多尺度網(wǎng)格曲面形狀特征的阿爾茨海默病腦皮層自動分類方法

在審

• 申請?zhí)枺?/td>: 201410334011.3
• 申請日: 2014-07-11
• 公開（公告）號: CN104102839A
• 公開（公告）日: 2014-10-15
• 發(fā)明（設(shè)計）人: 閆允一;劉汝翠;何玉杰;郭寶龍;孟繁杰
• 申請（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于多尺度網(wǎng)格曲面形狀特征的阿爾茨海默病腦皮層自動分類方法，其特征在于，包括如下步驟：

(1)按臨床醫(yī)學(xué)診斷標(biāo)準，分別采集正常人對照組(NC)和阿爾茨海默病組(AD)的大腦磁共振圖像，兩組樣本的數(shù)目相等或接近，并從兩組樣本中等比例地選擇一部分樣本用作訓(xùn)練集，剩余的作為測試集；

(2)針對所有樣本的大腦核磁共振圖像，經(jīng)過圖像強度矯正、配準至標(biāo)準腦、灰質(zhì)/白質(zhì)/腦脊液分割、腦皮層表面提取與配準、頂點采樣等過程得到各樣本腦皮層的各尺度三角網(wǎng)格曲面G_j(1≤j≤L)，j稱為網(wǎng)格曲面G_j的尺度，且G_L為最精細網(wǎng)格曲面，G₀為最粗糙網(wǎng)格曲面；

(3)記第j級三角網(wǎng)格曲面G_j中任意頂點為p，定義頂點p的1-環(huán)鄰域內(nèi)的頂點構(gòu)成的集合為E_p，并用集合E_p內(nèi)的所有頂點構(gòu)造一個平面f_p，記頂點p到該平面f_p的距離為頂點p的局部點面距離d_p；

(4)計算各尺度網(wǎng)格上頂點p的局部點面距離d_p和該頂點的平均曲率c_p，并用半高全寬半徑為10毫米的擴散核函數(shù)對d_p和c_p分別進行平滑，得到平滑后的局部點面距離d_p和平均曲率c′_p；

(5)結(jié)合樣本人口學(xué)信息，建立關(guān)于觀測值與性別、年齡和分組類別的多元線性回歸模型，以各尺度網(wǎng)格上頂點的局部點面距離d′_p為觀測值，通過雙樣本T檢驗對AD和NC兩組的訓(xùn)練集進行組間比較，得到局部點面距離意義下各尺度網(wǎng)格上頂點的統(tǒng)計學(xué)差異顯著性水平值；以各尺度網(wǎng)格上頂點的平均曲率c′_p為觀測值，通過雙樣本T檢驗對AD和NC兩組的訓(xùn)練集進行組間比較，得到平均曲率意義下各尺度網(wǎng)格上頂點的統(tǒng)計學(xué)差異顯著性水平值；

(6)針對訓(xùn)練集樣本，以各尺度網(wǎng)格上頂點的統(tǒng)計學(xué)差異顯著性水平值為標(biāo)準，初步篩選出局部點面距離意義下的種子點p_di，i為篩選出的第i個種子點，1≤i≤N₀，N₀為符合初步篩選條件的所有尺度上種子點的總個數(shù)，d表示以局部點面距離為指標(biāo)；初步篩選出平均曲率意義下的種子點p_cq，q為篩選出的第q個種子點，1≤q≤M₀，M₀為符合初步篩選條件的所有尺度上種子點的總個數(shù)，c表示以平均曲率為指標(biāo)；

(7)針對訓(xùn)練集樣本，對每個初步篩選出的種子點p_di進行區(qū)域生長，得到每個種子點對應(yīng)的差異區(qū)域頂點集合J_di，其中1≤i≤N，N是經(jīng)過二次篩選后的局部點面距離意義下的所有尺度上種子點的總個數(shù)；對每個初步篩選出的種子點p_cq進行區(qū)域生長得到每個種子點對應(yīng)的差異區(qū)域頂點集合J_cq，其中1≤q≤M，M是經(jīng)過二次篩選后的平均曲率意義下的所有尺度上種子點的總個數(shù)；

(8)針對訓(xùn)練集每個樣本，計算各個差異區(qū)域頂點集合J_di(1≤i≤N)內(nèi)所有頂點的局部點面距離均值u_di(1≤i≤N)，以種子點序號從小到大的順序排列u_di，得到表征每個樣本所有尺度上局部點面距離大小的行向量U_d＝[u_di，i＝1...N]；

(9)針對訓(xùn)練集每個樣本，計算每一個差異區(qū)域頂點集合J_cq(1≤q≤M)內(nèi)所有頂點的平均曲率均值u_cq(1≤q≤M)，以種子點序號從小到大的順序排列μ_cq，得到表征每個樣本所有尺度上平均曲率大小的行向量U_c＝[u_cq，q＝1...M]；

(10)針對訓(xùn)練集每個樣本，將行向量U_d＝[u_di，i＝1...N]和行向量U_c＝[u_cq，q＝1...M]合并成為得到表征每個樣本所有尺度上形狀特征大小的行向量U＝[u_di，u_cq]，i＝1...N，q＝1...M，將訓(xùn)練集所有樣本行向量U構(gòu)成每行元素個數(shù)為N+M的訓(xùn)練集特征矩陣T；

(11)對訓(xùn)練集特征矩陣T進行歸一化，并使用主分量分析進行降維處理，選取每一行的前K個元素，K＜N+M，構(gòu)成訓(xùn)練集的降維特征矩陣

(12)對測試集所有樣本采用與步驟(6)到步驟(11)相同的方法，計算測試集的降維特征矩陣

(13)將訓(xùn)練集的降維特征矩陣和各樣本的分組類別輸入支撐向量機完成分類器的訓(xùn)練，輸出經(jīng)過訓(xùn)練得到的分類器的各項系數(shù)；

(14)為了測試分類器的性能，將測試集的降維特征矩陣輸入相應(yīng)的分類器，并將分類器輸出結(jié)果與樣本相應(yīng)的分類組別相比較，輸出分類的準確率、敏感性和特異性的數(shù)值。