CN102930286A - 老年痴呆症图像早期诊断系统 - Google Patents

Abstract

本发明公开一种老年痴呆症图像早期诊断系统，包括脑图像采集器（1）和存储器（2），其特征在于：还包括图像预处理设备（3）、图像不对称特征提取装置（4）、合并计算器（5）、特征向量选择器（6）、优化分类器（7）和输出装置（8）。其显著效果是：用于老年痴呆症早期诊断中，可以显著提高早期诊断准确率。本发明不仅实现了脑MR图像中解剖结构的时序不对称性特征在老年痴呆症早期诊断中的临床应用，并且具有较高的诊断准确性和实时性。

Description

老年痴呆症图像早期诊断系统

技术领域

本发明属于一种疾病诊断系统，具体涉及一种老年痴呆症图像早期诊断系统。

背景技术

脑MR图像处理方法是研究老年痴呆症早期诊断的有力工具，目前已经取得了一定的积极效果。其中，获取高质量的生物学特征是该方法成功的关键。医学研究发现，脑MR图像中解剖结构的不对称性与老年痴呆症早期演化密切相关,不对称性特征可以表征脑部早期病变过程，有助于实现早期诊断。近年来国内外一些学者开始研究脑解剖结构的不对称性特征对老年痴呆症早期诊断的作用。所涉及到的解剖结构有：海马体，侧脑室，灰质，白质，神经皮质等。相关的特征类型仅涉及到体积和厚度。这些研究已应用于对CTL、MCI和AD的分类中，证明了不对称性特征可以有效区分正常状态与早期病变状态，具有较强的表征早期病变过程的作用。但是这些研究也存在一些局限性：首先，零散的研究了部分脑解剖结构的不对称性，没有系统的全面研究所有相关的脑解剖结构，例如，顶叶和额叶等已被医学证明也与老年痴呆症有关，但其不对称性并没有被研究到。其次，不对称性特征类型单一，目前其种类仅限于体积和厚度。研究表明，脑解剖结构在变化过程中，不仅体积和厚度会发生变化，其形状、纹理也会发生变化。因此，需要考虑相关的形状特征、纹理特征等。总的来说，目前关于不对称性特征的研究只证明了特征的有效性，但没有解决如何提取并选择出最能表征老年痴呆症早期病变的不对称性特征组合的问题，极大的阻碍了不对称性特征在老年痴呆症早期诊断中的应用。

在不对称性特征提取方面，目前所有相关的研究均是采用单个病人对应单个时间状态的图像进行的。由于老年痴呆症早期病变是从CTL到MCI的变化过程，因此基于单个时间状态的图像提取的不对称性特征不能反映这一变化过程，存在局限性。研究表明，基于多个时间状态的图像提取的特征比基于单个时间状态的图像具有更高的分类准确率。因此可以采用单个病人对应两个时间点状态图像进行不对称性特征提取解决。这样提取的特征可以反映脑部解剖结构从一个时间状态转移到另一个时间状态的过程，从而能够及时跟踪脑部早期病变过程，起到早期诊断的作用。

在不对称性特征选择方面，Yanxi Liu课题组尝试研究了多个脑MR图像中解剖结构的不对称性特征的获取方法。他们提取了基底前脑、前下尾核、海马旁回等多个解剖结构的体积及纹理等多个特征，发现其数量非常惊人，将其全部进行分类根本不可行。此外，特征间存在一定的相关性，因此理论上，即使将它们全部用于分类，也并不能带来最优的分类准确率，因此特征选择非常必要。关键是如何提高选择的质量？

不对称性特征选择本质上是最优化问题，即寻找最优不对称性特征子集，其可以看成是模式分类的逆问题。基于不对称性特征的老年痴呆症早期诊断，它有如下几个特点：1）缺乏充分的医学先验知识，因此需要采用智能的方法在图像数据中去挖掘。2）个体图像样本间有一定的差异，因此选择出的特征需要具有一定的自适应性和演化能力，其特征选择方法应具有较好的泛化能力。3）待选特征空间大，不同特征组合之间的差异小，因此需要能够在复杂数据中挖掘细微信息的全局智能优化方法。

现有的特征选择方法属于典型的局部优化方法，容易陷入局部极值。与之相比，机器学习方法则可以很好的满足以上要求，因此已被成功用于各种医学图像处理中的特征选择问题中，包括尿沉渣图像识别、脑肿瘤MR图像分类、医学图像检索、宫颈癌诊断、肝超声图像识别、肺气肿诊断、肺超声图像识别、医学图像分割、内侧颞叶癫痫诊]等。

但是目前还没有公开研究报道机器学习用于面向老年痴呆症的脑图像特征选择中，更没有关于不对称性特征选择。此外，分类器参数优化与特征选择也是单独进行的。这将导致最优特征子集与优化后的参数不匹配，不利于获取最优的分类准确率（即疾病诊断准确率）。这些不足都极大的限制了机器学习用于脑MR图像中解剖结构的不对称性特征的选择中。

现有技术的缺点是：基于以上文献分析，形成了一个总的结论：不对称性变化深刻反映了老年痴呆演变过程中功能的衰退，与脑部早期病变紧密相关。但是目前关于不对称性特征的研究仅针对单个时间状态的图像进行，并且没有解决如何系统全面的获取最优的不对称性特征组合用于老年痴呆症早期诊断，极大的妨碍了其向临床应用发展。

发明内容

本发明的目的是提供一种老年痴呆症图像早期诊断系统，将AD，CTL和MCI三种图像的不对称性特征提取出来，提取出的特征要最大化的体现AD，CTL和MCI之间的差异性，因此利用疾病诊断准确率反向指导特征选择，采用遗传算法从图像样本中学习特征信息，通过并行进行特征选择和分类器参数优化的方式选择出最优不对称性特征组合，并用于老年痴呆症早期诊断中，可以显著提高早期诊断准确率。

为达到上述目的，本发明表述一种老年痴呆症图像早期诊断系统，包括脑图像采集器和存储器；

其中脑图像采集器采集第一待检图像和第二待检图像，并发送给存储器存储；

所述存储器还存储有最优特征子集和分类器及其优化参数，其关键在于：还包括；

图像预处理设备：将所述第一待检图像向第二待检图像进行配准，并剥离图像中的头骨，对脑部组织图像进行组织分割，左右脑分离；

图像不对称特征提取装置：对预处理后的图像提取各组织的形状、纹理特征，从而获得两个图像各自的不对称特征集，记为第一图像特征集f1和第二图像特征集f2；

合并计算器：对第一图像特征集f1和第二图像特征集f2进行简单的合并计算，生成一个合并特征集f3；

特征向量选择器：用所述最优特征子集对所述合并特征集f3进行特征筛选得到新特征集f4；

优化分类器：采用所述分类器及其优化参数对所述新特征集f4进行分类处理，获得分类结果；

输出装置：输出所述诊断结果。

所述脑图像采集器：还采集有N张正常人脑的MR图像：CTL图像、N张确诊老年痴呆人脑的MR图像：AD图像、N张有发病趋势老年痴呆人脑的MR图像：MCI图像，并发送给存储器存储；N的取值可以是大于20的任意数量。

老年痴呆症图像早期诊断系统还设置有原始样本预处理器和特征提取装置；

所述原始样本预处理器设置有：

仿射矫正装置：从所有AD图像、CTL图像和MCI图像中选择一幅图像作为参考图像，将其余图像仿射到该参考图像上进行配准；

头骨剥离装置：对每张图像进行头骨剥离，保留完整的脑部图像；

组织分割装置：对所述脑部图像中脑部组织图像进行组织分割，将其分割成灰质（Gray Matter,GM）、白质（White Matter,WM）、脑脊髓液（cerebrospinalfluid,CSF）三个部分，每张脑图像获得3组织的图像；

左右脑分离器：再对所述脑部图像进行左右脑分离，每张脑图像获得6个形状特征；

特征提取装置：提取每张脑图像的90个纹理特征：30个灰度共生矩阵的特征和60个游程长矩阵的特征，并将6个形状特征和90个纹理特征合并在一起，共96个特征，对每一种特征进行归一化计算，生成特征样本并送入所述存储器存储。

老年痴呆症图像早期诊断系统还设置有；

智能遗传算法器：以N个AD图像、N个CT图像和N个MCI图像为基础，分别取N1个所述特征样本作为训练数据，分别取N2个特征样本作为识别数据，N1+N2≤N，且N1>N2；

智能遗传算法器还利用所述训练数据和识别数据运算，获得所述最优特征子集和分类器及其优化参数，并存入所述存储器存储。

本发明的显著效果是：提供了一种老年痴呆症图像早期诊断系统，将AD，CTL和MCI三种图像的不对称性特征提取出来，提取出的特征要最大化的体现AD，CTL和MCI之间的差异性，因此利用疾病诊断准确率反向指导特征选择，采用遗传算法从图像样本中学习特征信息，通过并行进行特征选择和分类器参数优化的方式选择出最优不对称性特征组合，并用于老年痴呆症早期诊断中，可以显著提高早期诊断准确率。本发明不仅实现了脑MR图像中解剖结构的时序不对称性特征在老年痴呆症早期诊断中的临床应用，并且具有较高的诊断准确性和实时性。

附图说明

图1为诊断系统的结构框图；

图2为样本图像处理系统的结构框图；

图3为智能遗传算法器的结构框图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

如图2所示：一种老年痴呆症图像早期诊断系统，包括脑图像采集器1和存储器2；

所述脑图像采集器1采集有30张正常人脑的CT图像：CTL图像、30张确诊老年痴呆人脑的CT扫描图像：AD图像、30张有发病趋势老年痴呆人脑的CT图像：MCI图像，并发送给存储器2存储；

老年痴呆症图像早期诊断系统还设置有原始样本预处理器9和特征提取装置10；

所述原始样本预处理器9设置有：

仿射矫正装置91：从所有AD图像、CTL图像和MCI图像中选择一幅图像作为参考图像，将其余图像仿射到该参考图像上进行配准；

由于每张CT扫描图片包括若干张人脑图像，因此，需要进行配准，保证所获取的每一个人脑图像能在同一个三维平面上，才能保证所有图像之间具有可比性。

头骨剥离装置92：对每张图像进行头骨剥离，保留完整的脑部图像；

组织分割装置93：对所述脑部图像中脑部组织图像进行组织分割，将其分割成灰质（Gray Matter,GM）、白质（White Matter,WM）、脑脊髓液（cerebrospinalfluid,CSF）三个部分，每张脑图像获得3个形状特征；

左右脑分离器94：再对所述脑部图像进行左右脑分离，每张脑图像获得6个形状特征；

特征提取装置10：提取每张脑图像的90个纹理特征：30个灰度共生矩阵的特征和60个游程长矩阵的特征，并将6个形状特征和90个纹理特征，再为所有特征进行归一化，生成特征样本并送入所述存储器2存储。

对每一幅图像的各组织的左右脑半球分别进行形状特征和纹理特征的提取，

形状特征：我们提取左右脑各组织的体积大小，一幅图像3种组织，共有2*3=6种特征。

纹理特征：我们主要提取应用较为普遍的灰度共生矩阵的特征和游程长矩阵的特征。灰度共生矩阵特征包括熵(entropy)、对比度(contrast)、IDM(inverse different moment)、能量(energy)，自相关（correlation）这5个特征。一幅脑MR图像其中一种组织的左脑半球可以统计这5种特征，那么3种组织左右脑的灰度共生矩阵特征就有5*2*3=30种。

游程长矩阵特征包括短游程因子(short run emphasis)、长游程因子(longrun emphasis)、游程长不均匀度(run length non-uniformity)、灰度不均匀度(grey level non-uniformity)，低灰度游程不均匀度（low grey runemphasis）,高灰度游程不均匀度（high grey run emphasis），短游程低灰度级不均匀度（short run low grey level emphasis），短游程高灰度级不均匀度（short run high grey level emphasis）,长游程低灰度级不均匀度（longrun low grey level emphasis）,长游程高灰度级不均匀度（long run high greylevel emphasis）这10个特征，同样一幅脑MR图像3种组织左右脑的游程长矩阵特征就有10*2*3=60种；

这些共96种特征共同构成这幅脑MR图像的不对称特征向量。其中的纹理特征中的灰度共生矩阵的特征和游程长矩阵的特征的提取在ITK中均有可执行的代码。

这样经过形状特征和纹理特征的分别提取之后，每一幅图像都有96个不对称性特征，这些特征组成的一个特征向量，AD，CTL和MCI各有30幅，每一种图像的30幅图像的不对称特征向量合在一起，就构成一个30*96的特征矩阵，三种特征矩阵合并成一个90*96的数据矩阵。

在这个数据矩阵中，同一种特征进行归一化计算，得到归一化的特征值。

将所有图像的特征归一化之后，30幅AD图像就有30个归一化特征向量构成一类特征矩阵，同理，CTL和MCI也同样构成一类特征矩阵。这3类归一化的特征矩阵就是样本数据，为下一步的特征选择做好数据准备。

基于归一化的特征向量，将每类样本分成2部分，在每类的各自的30个样本中随机挑选20个作为训练样本，剩下的10作为测试样本。这20个训练样本即为96*20的特征矩阵，10个测试样本即为96*10的特征矩阵。

用智能遗传算法器对训练样本的96个特征进行选择，采用遗传算法来迭代选取特征中对老年痴呆病症有显著性的最优特征。算法的优化准则标准是根据遗传算法优化器对AD，CTL和MCI三类状态的分类准确性来衡量，所以在迭代选取最优特征的时候，在内部嵌套一个分类器。由于待选特征为96个，则设置遗传基因长度为96的2进制串，数字为‘1’表示选中该特征，‘0’表示未选中，选出的特征作为分类器的输入，分类器用这些选出来的特征把测试样本分成AD，CTL和MCI三类。经过训练，得到优化后的分类器参数。这里的分类器为支持向量机（SVM），支持向量机参数C的取值为5，核函数为高斯函数，定义为

$K(x,x_j)=\exp (-\frac{{|x-x_j|}^2}{{\mathrm{\σ}}^2})---\left(1\right)$

式（1）中，通过监督的机器学习的方法确定支持向量X_j,X为测试样本，σ²取值范围为0.01或0.05或0.1。

通过测试，SVM给出分类结果，与测试样本的原本结果比较，就可得出分类的识别率了。这个识别率作为智能遗传算法中目标函数的结果，即适应度值。

在特征选择的过程中，由于特征数量较大，种群数量选择为基因长度的5~10倍，所以初始化500~1000个个体，进化代数为200次，自适应交叉概率采用如下公式为

$P_c=\left\{\begin{array}{c}{P}_{c1}-\frac{(P_{c1}-P_{c2})(f^{\&prime;}-f_{\mathrm{avg}})}{f_{\max }-f_{\mathrm{avg}}},f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ P_{c1},f^{\&prime;}<f_{\mathrm{avg}}\end{array}\right.---\left(2\right)$

式（2）中，f_avg表示每代种群的平均适应度，f_max表示表示每代种群的最大适应度，f'表示待交叉的两个个体中较大的适应度值；初始化P_c1=0.9，P_c2=0.6,交叉操作采用自适应交叉概率的单点交叉法。

同理，基因变异同样采用自适应的变异概率，其计算表达式如下：

$P_m=\left\{\begin{array}{c}{P}_{m1}-\frac{(P_{m1}-P_{m2})(f_{\max }-f)}{f_{\max }-f_{\mathrm{avg}}},f\&GreaterEqual;f_{\mathrm{avg}}\\ P_{m1},f<f_{\mathrm{avg}}\end{array}\right.---\left(3\right)$

式（3）中，f_avg表示每代种群的平均适应度，f_max表示表示每代种群的最大适应度，f表示待变异个体的适应度值；初始化P_m1=0.1，P_c2=P_m2=0.006,变异操作采用自适应变异概率的二进制变异法。

终止条件：当种群个体的最大适应度值的超过了一个门限或者迭代次数达到最大就结束。

迭代完之后，得到能够区分3类样本的最优特征集和SVM分类器及其优化参数。

老年痴呆症图像早期诊断系统还设置有；

如图3所示：智能遗传算法器11：以30个AD图像、30个CT图像和30个MCI图像为基础，分别取20个所述特征样本作为训练数据，分别取10个特征样本作为识别数据；

智能遗传算法器11还利用所述训练数据和识别数据运算，获得所述最优特征子集和分类器及其优化参数，并存入所述存储器2存储。

其中脑图像采集器1采集第一待检图像和第二待检图像，并发送给存储器2存储；

由于特征提取装置10提取到的每一幅图像的不对称性特征有96个，数量较大，所以需要对其进行特征选择，选择出那些对老年痴呆症有显著性的最优特征。采用智能遗传算法器来迭代选取最优特征，最优特征的选定标准是根据其对AD，CTL和MCI三类状态的分类准确性来衡量，所以在迭代选取最优特征的时候，在内部嵌套一个分类器，因此，将特征提取装置10得到的3类样本数据分别分成两部分，每类随机选择其中20个，将选择后的3类特征数据再随机混合作为训练数据，将其加入到智能遗传算法器中对其进行特征选择，然后，对分类器参数进行优化；每类的另10个数据也选择同样的特征混合作为分类器的识别数据，用上面被优化参数后的分类器对其进行识别，如果识别率高于预先设定的门限值，就保留这个特征，如果不是，就回去重新选择特征，如此循环迭代多次之后，最终得到一个用于识别AD，CTL和MCI的最优特征集和用于老年痴呆症早期诊断的分类器及其优化参数。

以上部分都是老年痴呆症图像早期诊断系统的预设系统，其临床门诊系统如下：

如图1所示：老年痴呆症图像早期诊断系统还包括；

图像预处理设备3：将所述第一待检图像向第二待检图像进行配准，并剥离图像中的头骨，对脑部组织图像进行组织分割，左右脑分离；

第一待检图像和第二待检图像是同一待检者在前后两个不同时间做的脑MR图像。其间隔时间以一年以上为佳，本实施例取2年。

图像不对称特征提取装置4：对预处理后的图像提取各组织的形状、纹理特征，从而获得两个图像各自的不对称特征集，记为第一图像特征集f1和第二图像特征集f2；

合并计算器5：对第一图像特征集f1和第二图像特征集f2进行简单的合并计算，两个1*96的特征向量合并成一个2*96的矩阵，生成一个合并特征集f3，并对f3进行归一化计算。

该合并特征集f3能反映同一个待检者从第一个时间状态到第二个时间状态脑解剖结构的变化特点，为基于两个时间状态的不对称性特征集；

特征向量选择器6：用所述最优特征子集对所述合并特征集f3进行特征筛选得到新特征集f4；提取符合最优特征子集的的特征，消除不符合最优特征子集的的特征。

优化分类器7：采用所述分类器及其优化参数对所述新特征集f4进行分类处理，获得分类结果；

获得分类准确率，即早期诊断准确率，完成诊断。

输出装置8：输出所述诊断结果：AD类、CTL类或MCI类。

Claims (3)

1.一种老年痴呆症图像早期诊断系统，包括脑图像采集器（1）和存储器（2）；

其中脑图像采集器（1）采集第一待检图像和第二待检图像，并发送给存储器（2）存储；

其特征在于：所述存储器（2）还存储有最优特征子集和分类器及其优化参数，老年痴呆症图像早期诊断系统还包括；

图像预处理设备（3）：将所述第一待检图像向第二待检图像进行配准，并剥离图像中的头骨，对脑部组织图像进行组织分割，左右脑分离；

图像不对称特征提取装置（4）：对预处理后的图像提取各组织的形状、纹理特征，从而获得两个图像各自的不对称特征集，记为第一图像特征集f1和第二图像特征集f2；

合并计算器（5）：对第一图像特征集f1和第二图像特征集f2进行简单的合并运算，生成一个合并特征集f3；

特征向量选择器（6）：用所述最优特征子集对所述合并特征集f3进行特征筛选得到新特征集f4；

优化分类器（7）：采用所述分类器及其优化参数对所述新特征集f4进行分类处理，获得分类结果；

输出装置（8）：输出所述诊断结果。

2.根据权利要求1所述老年痴呆症图像早期诊断系统，其特征在于：

所述脑图像采集器（1）：还采集有N张正常人脑的MR脑图像：CTL图像、N张确诊老年痴呆人脑的MR图像：AD图像、N张有发病趋势老年痴呆人脑的MR图像：MCI图像，并发送给存储器（2）存储；

还设置有原始样本预处理器（9）和特征提取装置（10）；

所述原始样本预处理器（9）设置有：

仿射矫正装置（91）：从所有AD图像、CTL图像和MCI图像中选择一幅图像作为参考图像，将其余图像仿射到该参考图像上进行配准；

头骨剥离装置（92）：对配准后的每张图像进行头骨剥离，保留完整的脑部图像；

组织分割装置（93）：对所述脑部图像中脑部组织图像进行组织分割，将其分割成灰质（Gray Matter,GM）、白质（White Matter,WM）、脑脊髓液（cerebrospinal fluid,CSF）三个部分，每张脑图像获得3个组织的图像；

左右脑分离器（94）：再对所述脑部图像进行左右脑分离，每张脑图像获得6个形状特征；

特征提取装置（10）：提取每张脑图像的90个纹理特征：30个灰度共生矩阵的特征和60个游程长矩阵的特征，并将6个形状特征和90个纹理特征合并在一起，共96个特征，对每一种特征进行归一化计算，生成特征样本并送入所述存储器（2）存储。

3.根据权利要求2所述老年痴呆症图像早期诊断系统，其特征在于：还设置有；

智能遗传算法器（11）：以N个AD图像、N个CT图像和N个MCI图像为基础，分别取N1个所述特征样本作为训练数据，分别取N2个特征样本作为识别数据，N1+N2≤N，且N1>N2；

智能遗传算法器（11）还利用所述训练数据和识别数据运算，获得所述最优特征子集和分类器及其优化参数，并存入所述存储器（2）存储。

Images