[發(fā)明專利]一種基于半多模態(tài)融合特征約簡(jiǎn)框架的圖像分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201711174750.0
• 申請(qǐng)日: 2017-11-22
• 公開（公告）號(hào): CN107944490B
• 公開（公告）日: 2020-11-27
• 發(fā)明（設(shè)計(jì)）人: 張祖平;曹坪;陽潔
• 申請(qǐng)（專利權(quán)）人: 中南大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 長(zhǎng)沙七源專利代理事務(wù)所(普通合伙) 43214
• 代理人: 鄭雋;周曉艷

1.一種基于半多模態(tài)融合特征約簡(jiǎn)框架的圖像分類方法，其特征在于，包括以下步驟：

第一步、獲取數(shù)據(jù)，具體是：獲取多個(gè)被試對(duì)象的sMRI數(shù)據(jù)和rs-fMRI數(shù)據(jù)，并進(jìn)行預(yù)處理，得到預(yù)處理后的sMRI數(shù)據(jù)和預(yù)處理后的rs-fMRI數(shù)據(jù)；計(jì)算預(yù)處理后的sMRI數(shù)據(jù)的灰度體積值；

第二步、構(gòu)建腦結(jié)構(gòu)網(wǎng)絡(luò)特征向量矩陣和構(gòu)建腦功能網(wǎng)絡(luò)特征向量矩陣，構(gòu)建腦結(jié)構(gòu)網(wǎng)絡(luò)特征向量矩陣是根據(jù)預(yù)處理后的sMRI數(shù)據(jù)的灰度體積值進(jìn)行構(gòu)建，具體是：采用自動(dòng)解剖標(biāo)簽?zāi)０迳删攀畟€(gè)皮質(zhì)和皮下核團(tuán)區(qū)域，并去除小腦部分；計(jì)算任意腦區(qū)對(duì)各被試腦區(qū)灰度體積的皮爾森相關(guān)系數(shù)；從而獲取一個(gè)90×90的腦結(jié)構(gòu)網(wǎng)絡(luò)對(duì)稱矩陣，在去除對(duì)稱矩陣對(duì)角線上的90個(gè)對(duì)角元素后，提取對(duì)稱矩陣中下三角區(qū)域的所有元素為腦結(jié)構(gòu)網(wǎng)絡(luò)特征向量矩陣；構(gòu)建腦功能網(wǎng)絡(luò)特征向量矩陣是根據(jù)預(yù)處理后的rs-fMRI數(shù)據(jù)進(jìn)行構(gòu)建，具體是：采用自動(dòng)的解剖標(biāo)簽?zāi)０迳删攀畟€(gè)皮質(zhì)和皮下核團(tuán)區(qū)域，并去除小腦部分；計(jì)算各被試中任意腦區(qū)對(duì)平均時(shí)間序列的皮爾森相關(guān)系數(shù)；從每一個(gè)被試中獲取一個(gè)90×90的靜息態(tài)腦功能網(wǎng)絡(luò)對(duì)稱矩陣，在去除對(duì)稱矩陣對(duì)角線上的90個(gè)對(duì)角元素后，提取對(duì)稱矩陣中下三角區(qū)域的所有元素作為腦功能網(wǎng)絡(luò)特征向量矩陣；

第三步、特征過濾操作，具體是：由腦結(jié)構(gòu)網(wǎng)絡(luò)特征向量矩陣得到腦結(jié)構(gòu)網(wǎng)絡(luò)的差分特征向量矩陣；整合腦結(jié)構(gòu)網(wǎng)絡(luò)的差分特征向量矩陣和腦功能網(wǎng)絡(luò)特征向量矩陣，并篩選出腦結(jié)構(gòu)網(wǎng)絡(luò)特征向量和腦功能網(wǎng)絡(luò)特征向量；

第四步、特征選擇操作，具體是：充分利用腦結(jié)構(gòu)網(wǎng)絡(luò)特征向量矩陣的補(bǔ)充信息，在K-support范數(shù)原有基礎(chǔ)上添加一個(gè)不同模態(tài)數(shù)據(jù)間的距離約束來保證腦功能網(wǎng)絡(luò)特征的稀疏性；

第五步、多元模式分類分析，具體是：利用支持向量機(jī)對(duì)所選擇的腦功能網(wǎng)絡(luò)特征向量進(jìn)行分類標(biāo)簽預(yù)測(cè)，得到圖像的預(yù)測(cè)分類結(jié)果值。

2.根據(jù)權(quán)利要求1所述的基于半多模態(tài)融合特征約簡(jiǎn)框架的圖像分類方法，其特征在于，第三步中的特征過濾操作具體包括以下步驟：

步驟3.1、將疾病患者組的腦結(jié)構(gòu)網(wǎng)絡(luò)特征向量矩陣中的特征，減去正常對(duì)照組的腦結(jié)構(gòu)網(wǎng)絡(luò)特征向量矩陣中相應(yīng)的特征，建立腦結(jié)構(gòu)網(wǎng)絡(luò)的差分特征向量矩陣，并將所述差分特征向量矩陣中的所有數(shù)據(jù)按照絕對(duì)值降序排序，差分特征向量矩陣的計(jì)算公式為表達(dá)式1)：

其中：ΔM_s為腦結(jié)構(gòu)網(wǎng)絡(luò)的差分特征向量矩陣；為疾病患者組的腦結(jié)構(gòu)網(wǎng)絡(luò)特征向量矩陣；為正常對(duì)照組的腦結(jié)構(gòu)網(wǎng)絡(luò)特征向量矩陣；

步驟3.2、將疾病患者組和正常對(duì)照組的腦功能網(wǎng)絡(luò)特征進(jìn)行雙樣本T檢驗(yàn)，并將所有的腦功能網(wǎng)絡(luò)特征數(shù)據(jù)按照雙樣本T檢驗(yàn)的p值進(jìn)行排列，然后從不同模態(tài)數(shù)據(jù)特征空間中篩選出排序?yàn)榍癱位的腦功能網(wǎng)絡(luò)特征，其中，c的選擇標(biāo)準(zhǔn)為ΔM_s中第c個(gè)元素與ΔM_s平均值間的差值最小；

步驟3.3、整合腦結(jié)構(gòu)網(wǎng)絡(luò)的差分特征向量矩陣和腦功能網(wǎng)絡(luò)特征向量矩陣，并運(yùn)用“重疊”模式來篩選出腦結(jié)構(gòu)網(wǎng)絡(luò)特征向量和腦功能網(wǎng)絡(luò)特征向量。