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
【專利摘要】本發(fā)明公開了一種基于多尺度網(wǎng)格曲面形狀特征的阿爾茨海默病腦皮層自動分類方法，步驟如下：確定阿爾茨海默病患者(AD)和正常人(NC)兩組樣本，并等比例分成樣本集和測試集；依據(jù)樣本的腦部磁共振(MRI)圖像提取多尺度網(wǎng)格曲面；針對各頂點計算局部點面距離(LVPD)和平均曲率；以平滑過的LVPD和平均曲率為觀測指標，提取具有顯著統(tǒng)計學差異的區(qū)域，并篩選出兩種指標意義下的種子點；對訓練集每個樣本提取特征行向量，構成特征矩陣，用降維后的特征矩陣結合相應樣本類別來訓練分類器；用測試集樣本測試分類器性能。本發(fā)明克服了現(xiàn)有技術易受皮層分割誤差影響和可能遺漏某個尺度差異的缺點，實現(xiàn)了依據(jù)腦皮層多尺度形狀特征為依據(jù)的兩組樣本分類。
【專利說明】-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

【技術領域】
[0001] 本發(fā)明屬于醫(yī)學圖像處理【技術領域】，尤其是涉及一種基于多尺度網(wǎng)格曲面形狀特 征的阿爾茨海默病腦皮層自動分類方法，該方法可以利用腦皮層的形狀特征檢測阿爾茨海 默病病例，具有臨床輔助診斷的作用。

【背景技術】
[0002] 隨著人口老齡化問題的日益突出，關注老年人生存質量，關注包括阿爾茨海默病 (Alzheimer' s Disease, AD)在內的老年疾病，探索認識、預防和治療此類疾病的新方法和 新手段對提高社會的整體生活質量有實際價值。
[0003] AD的成因復雜，發(fā)展過程是漸進的，并且臨床表現(xiàn)各異，特別是早期并沒有明顯的 臨床癥狀，在成像技術成熟以前，AD只有等到患者去世后對其進行腦部解剖才能確診。腦部 磁共振成像（Magnetic Resonance Imaging, MRI)技術已經可以獲得較好空間分辨率（典 型值1 X 1 X 1毫米）的三維大腦內部圖像，從而為非侵入式地研究AD患者的大腦形態(tài)與疾 病之間的關系提供了數(shù)據(jù)基礎。因而采用MRI進行腦部掃描，提取具有預測或者指示性的 特征，進而自動地完成診斷分類，已成為重要的輔助診斷措施。
[0004] 現(xiàn)有的基于MRI的AD病例分類方法主要包括以下兩類：
[0005] 1、基于全腦的分類方法：典型代表為基于體素（voxel-based)或皮層厚度 (cortical thickness)的分類方法，然而在基于體素的框架下，選擇更多的特征并不能提 升分類性能但卻明顯地增加了計算時間，而且年齡較大的NC組病例（正常老化）和較年輕 的AD病人很容易被混淆和誤判。而皮層厚度方法不可避免地涉及到組織分割或者功能結 構分割，由于存在較大的個體差異，該方法對分割算法的精度和操作者的經驗和耐心都是 極大的挑戰(zhàn)，并且不具備多尺度特性，可能存在遺漏某個尺度上的差異；
[0006] 2、基于感興趣區(qū)域的分類方法：比如基于海馬體和顳葉局部區(qū)域的分類方法，涉 及到組織分割和功能結構分割，因此與皮層厚度方法類似，該方法同樣容易受到組織分割 精度和絕對觀測值誤差的影響。


【發(fā)明內容】

[0007] 本發(fā)明的目的是針對上述已有技術的不足，提出一種基于多尺度網(wǎng)格曲面形狀 特征的阿爾茨海默病腦皮層自動分類方法，以克服常用AD腦皮層分類方法的易受皮質分 割誤差影響和可能存在某個尺度上的差異遺漏的缺點，實現(xiàn)多尺度的阿爾茨海默病樣本分 類。
[0008] 為解決上述技術問題，本發(fā)明的技術方案是：
[0009] -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，從形態(tài) 學的角度，在多個尺度上分析正常人（NC)和阿爾茨海默?。ˋD)的腦皮層形狀特征具有顯 著統(tǒng)計學差異的區(qū)域，采用基于種子點選擇和區(qū)域生長準則的方法對每個樣本進行穩(wěn)定特 征提取，使用訓練集數(shù)據(jù)訓練分類器，從而實現(xiàn)兩組樣本的分類，包括如下步驟：
[0010] (1)按臨床醫(yī)學診斷標準，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 用作訓練集，剩余的作為測試集；
[0011] (2)針對所有樣本的大腦核磁共振圖像，經過圖像強度矯正、配準至標準腦、灰質 /白質/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Gj(l彡j彡L)，j稱為網(wǎng)格曲面Gj的尺度，且心為最精細網(wǎng)格曲面，心為最 粗糙網(wǎng)格曲面；
[0012] (3)記第j級三角網(wǎng)格曲面Gj中任意頂點為P，定義頂點p的1-環(huán)鄰域內的頂點 構成的集合為E p，并用集合Ep內的所有頂點構造一個平面fp，記頂點p到該平面fp的距離 為頂點P的局部點面距離d p ;
[0013] (4)計算各尺度網(wǎng)格上頂點p的局部點面距離dp和該頂點的平均曲率cp，并用半 高全寬半徑為10毫米的擴散核函數(shù)對d p和cp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;
[0014] (5)結合樣本人口學信息，建立關于觀測值與性別、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)計學差異顯 著性水平值；以各尺度網(wǎng)格上頂點的平均曲率W p為觀測值，通過雙樣本T檢驗對AD和 NC兩組的訓練集進行組間比較，得到平均曲率意義下各尺度網(wǎng)格上頂點的統(tǒng)計學差異顯著 性水平值；
[0015] (6)針對訓練集樣本，以各尺度網(wǎng)格上頂點的統(tǒng)計學差異顯著性水平值為標準，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 <隊，隊為 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；初步篩 選出平均曲率意義下的種子點p。,，q為篩選出的第q個種子點，1 < q < My M。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；
[0016] (7)針對訓練集樣本，對每個初步篩選出的種子點pdi進行區(qū)域生長，得到每個種 子點對應的差異區(qū)域頂點集合J di，其中1 < i < N，N是經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。,進行區(qū)域生長得到每 個種子點對應的差異區(qū)域頂點集合J。,，其中1 < q<M，M是經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)； _7] (8)針對訓練集每個樣本，計算各個差異區(qū)域頂點集合Jdi(l彡i彡N)內所有頂 點的局部點面距離均值udi (1彡i彡N)，以種子點序號從小到大的順序排列udi，得到表征每 個樣本各尺度上局部點面距離大小的行向量Ud = [udi，i = 1. . . N];
[0018] (9)針對訓練集每個樣本，計算每一個差異區(qū)域頂點集合1(1彡q彡Μ)內所有 頂點的平均曲率均值u。, (1 < q < Μ)，以種子點序號從小到大的順序排列u。,，得到表征每個 樣本各尺度上平均曲率大小的行向量U。= [Uq，q = 1. . . M];
[0019] (10)針對訓練集每個樣本，將行向量Ud = [udi，i = 1. . . N]和行向量U。= [uC(1，q =1. . . Μ]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 = [udi, u?！梗琲 =1. . . Ν，q = 1. . . Μ,將樣本集內所有樣本的行向量U構成每行元素個數(shù)為Ν+Μ的特征矩 陣T;
[0020] (11)對特征矩陣Τ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Κ個元素 ，Κ < Ν+Μ，構成訓練集的降維特征矩陣f ;
[0021] (12)對測試集的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. ?
[0022] (13)將訓練集的降維特征矩陣f和各樣本的分組類別輸入支撐向量機完成分類 器的訓練，輸出經過訓練得到的分類器的各項系數(shù)；
[0023] (14)為了測試分類器的性能，將測試集的降維特征矩陣L輸入相應的分類器，并 將分類器輸出結果與樣本相應的分類組別相比較，輸出分類的準確率、敏感性和特異性的 數(shù)值。
[0024] 進一步地，所述步驟（3)中用集合Ep內的所有頂點構造得到一個平面fp，按如下 步驟進行：
[0025] (3a)設平面fp的方程為z = adX+aj+a；^，其中aQ，a2為平面待定系數(shù)，aQ為X 的待定系數(shù)，％為y的待定系數(shù)，a2為常數(shù)項的待定系數(shù)，X，y為自變量，z為因變量；
[0026] (3b)為確定平面待定系數(shù)&(|，&1，a2，構造集合E p內的所有頂點到平面fp的偏移平 方和函數(shù)
[0027]

【權利要求】
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)學診斷標準，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，經過圖像強度矯正、配準至標準腦、灰質/白 質/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Gj (1 < j < L)，j稱為網(wǎng)格曲面Gj的尺度，且為最精細網(wǎng)格曲面，Gu為最粗 糙網(wǎng)格曲面； (3) 記第j級三角網(wǎng)格曲面6」中任意頂點為p，定義頂點p的1-環(huán)鄰域內的頂點構成 的集合為Ep，并用集合E p內的所有頂點構造一個平面fp，記頂點p到該平面fp的距離為頂 點P的局部點面距尚d p ; (4) 計算各尺度網(wǎng)格上頂點p的局部點面距離dp和該頂點的平均曲率cp，并用半高全 寬半徑為10毫米的擴散核函數(shù)對d p和cp分別進行平滑，得到平滑后的局部點面距離dp和 平均曲率c' p; (5) 結合樣本人口學信息，建立關于觀測值與性別、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)計學差異顯著性 水平值； (6) 針對訓練集樣本，以各尺度網(wǎng)格上頂點的統(tǒng)計學差異顯著性水平值為標準，初步篩 選出局部點面距離意義下的種子點pdi，i為篩選出的第i個種子點，1 < i <隊，隊為符合 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；初步篩選出 平均曲率意義下的種子點P。,，q為篩選出的第q個種子點，1 < q < My M。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； (7) 針對訓練集樣本，對每個初步篩選出的種子點pdi進行區(qū)域生長，得到每個種子點 對應的差異區(qū)域頂點集合J di，其中1彡i彡N，N是經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。,進行區(qū)域生長得到每個種 子點對應的差異區(qū)域頂點集合J。,，其中1 < q<M，M是經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) 針對訓練集每個樣本，計算各個差異區(qū)域頂點集合Jdi(l < i < N)內所有頂點的 局部點面距離均值udi (1彡i彡N)，以種子點序號從小到大的順序排列udi，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 = [udi，i = 1. . . N]; (9) 針對訓練集每個樣本，計算每一個差異區(qū)域頂點集合< q<M)內所有頂點 的平均曲率均值u。, (1 < q < M)，以種子點序號從小到大的順序排列μ。,，得到表征每個樣 本所有尺度上平均曲率大小的行向量U。= [Uq, q = 1. . . Μ]; (10) 針對訓練集每個樣本，將行向量Ud = [udi，i = 1. . .N]和行向量U。= [、，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 = [udi, u?！梗琲 =
1. . . N，q = 1. . . M，將訓練集所有樣本行向量U構成每行元素個數(shù)為N+M的訓練集特征矩陣 T ； (11) 對訓練集特征矩陣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，構成訓練集的降維特征矩陣f ; (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. 9 (13) 將訓練集的降維特征矩陣f和各樣本的分組類別輸入支撐向量機完成分類器的 訓練，輸出經過訓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iL,輸入相應的分類器，并將分 類器輸出結果與樣本相應的分類組別相比較，輸出分類的準確率、敏感性和特異性的數(shù)值。
2.根據(jù)權利要求1所述的一種基于多尺度網(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，其中所述步驟（3)中用集合Ep內的所有頂點構造得到一個平 面&，按如下步驟進行： (3a)設平面fp的方程為z = adX+aj+a；^，其中aQ，ap a2為平面待定系數(shù)，aQ為X的待 定系數(shù)，％為y的待定系數(shù)，a2為常數(shù)項的待定系數(shù)，X，y為自變量，z為因變量； (3b)為確定平面待定系數(shù)％，&1，a2，構造集合Ep內的所有頂點到平面f p的偏移平方和 函數(shù)S :
其中（XpypzD為集合Ep中第i個頂點的坐標，i = 1，2. . .n，n為集合Ep中頂點的個 數(shù)； (3c)根據(jù)極小值的判定方法，利用函數(shù)S分別對平面待定系數(shù)％，％，a2求偏導，得到 如下方程組：
其中，（Xi，yi，Zi)為集合Ep中第i個頂點的坐標，i = 1，2. . . η ; (3d)解上面的方程組得到平面待定系數(shù)％，ai，a2為：
其中[·Γ表示矩陣[·]的逆陣； (3e)將平面待定系數(shù)％，ai，a2代入平面fp的方程ζ中，即得到了所要構造的平面f p， 此時集合Ep內的所有頂點到平面fp的偏移平方和函數(shù)S為極小值。
3. 根據(jù)權利要求1所述的一種基于多尺度網(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，其中步驟（5)所述建立多元線性回歸模型如下： Y ~ b〇+b1A+b2S+b3P 3) 其中，Y為觀測值，在本發(fā)明中具體指各頂點處的局部點面距離或平均曲率，A是每個 樣本對應的年齡，S是每個樣本對應的性別，P是每個樣本對應組別（即AD或NC)，Iv bp b2,b3是待定系數(shù)。
4. 根據(jù)權利要求1所述的一種基于多尺度網(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，其中步驟（6)所述的初步篩選，通過如下方法進行： (6a)把各尺度上所選觀測值意義下存在顯著差異的簇包含的所有頂點，將其對應到解 剖結構模板上，得到各尺度上具有顯著差異的解剖學結構； (6b)針對各尺度上所選觀測值意義下每一個具有顯著差異解剖學結構內所有頂點，檢 測該解剖學結構的顯著性水平值的極小值，每個極小值頂點被篩選作該尺度上所選觀測值 意義下的一個種子點。
5. 根據(jù)權利要求1所述的一種基于多尺度網(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，其中步驟（7)所述的區(qū)域生長，通過如下方法進行： (7a)設定閾值ξ，0< ξ <0.25,將種子點所在尺度的腦皮層網(wǎng)格曲面所有頂點的 顯著性水平值從小到大排列，選擇前％X ξ個頂點的平均顯著性水平值作為該尺度上種 子點區(qū)域生長的閾值S，其中j為種子點所在尺度，％為j尺度上網(wǎng)格曲面Gj的頂點數(shù)， 1 ^ j ^ L ； (7b)從每個種子點開始，在該種子點所在尺度的網(wǎng)格曲面上逐漸向外圍擴展，并依次 累加擴展過程中碰到的頂點的顯著性水平值，直到累加值達到閾值S或擴散到其它解剖 結構時停止，此時擴展過程涉及到的頂點的集合即為該種子點對應的差異區(qū)域頂點集合。
6. 根據(jù)權利要求1所述的一種基于多尺度網(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，其中步驟（7)所述的二次篩選，通過如下方法進行： 若種子點經過步驟（7)所述的區(qū)域生長以后，得到對應的差異區(qū)域頂點集合中頂點的 個數(shù)小于該種子點所在尺度上相應解剖結構內的總頂點數(shù)的5%，則舍棄該種子點，同時也 舍棄其生長的區(qū)域頂點集合。
【文檔編號】G06F19/00GK104102839SQ201410334011
【公開日】2014年10月15日 申請日期:2014年7月11日 優(yōu)先權日:2013年11月16日
【發(fā)明者】閆允一, 劉汝翠, 何玉杰, 郭寶龍, 孟繁杰 申請人:西安電子科技大學