CN103345633A - 一种用于阿尔兹海默病早期发现的结构性核磁共振影像处理方法 - Google Patents
一种用于阿尔兹海默病早期发现的结构性核磁共振影像处理方法 Download PDFInfo
- Publication number
- CN103345633A CN103345633A CN2013102647223A CN201310264722A CN103345633A CN 103345633 A CN103345633 A CN 103345633A CN 2013102647223 A CN2013102647223 A CN 2013102647223A CN 201310264722 A CN201310264722 A CN 201310264722A CN 103345633 A CN103345633 A CN 103345633A
- Authority
- CN
- China
- Prior art keywords
- feature
- magnetic resonance
- nuclear magnetic
- resonance image
- smri
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本发明提供了一种用于阿尔兹海默病早期发现的结构性核磁共振影像处理方法。该方法首先用非相关多线性算法对用张量形式表示的结构性核磁共振影像进行特征提取,然后再用拉普拉斯值算法对提取出的算法进行选择,最后将选择出来的特征送入SVM分类器进行训练、分类/诊断。本发明提出的方法采用了张量分析的方法对核磁共振影像数据进行特征提取,保留了原始数据的空间结构信息;并加入了特征选择步骤,进一步减少了特征中的冗余信息,选取出了识别力更高的特征。实验数据表明本发明的方法有较高的分类准确率,为阿尔兹海默病的早期诊断提供了一种可能辅助工具。
Description
技术领域
本发明涉及一种用于阿尔兹海默病早期发现的核磁共振影像处理方法,属于生物医学信号处理技术领域。
背景技术
阿尔兹海默病(Alzheimer’s disease,简称AD)是老年人常见的一种慢性神经性退行疾病。AD患者脑内老年斑的聚集及神经纤维的缠结等,导致了患者记忆机能障碍及其他认知功能衰退,最终导致死亡。在实际临床诊断中,对AD的诊断主要是在出现痴呆的相应症状后,进行系列认知测试评估,并结合影像学等检查方法做出诊断。这样的诊断结果具有一定的主观性,且当病人出现明显的临床症状时,病情已经处于中晚期,现有的治疗方法很难达到有效的治疗。如果能在AD疾病早期对病情进行识别和干预,则能够得到有效的预防和治疗。然而,由于该病的病因复杂,发展过程缓慢,缺乏早期无创敏感的诊断方法。因此,寻找一种能够对AD进行早期诊断和干预的方法,具有十分重要的意义。
核磁共振影像(magnetic resonance imaging,简称MRI)的快速发展使人们实现了无创条件下对脑进行结构描述和功能定位,为人们研究认知功能和认知障碍提供了必要的技术手段。研究表明,结构性核磁共振影像(structural magneticresonance imaging,简称sMRI)中包含的生物标记信息可以用于区分AD患者和正常人,进而进行诊断。然而,手工测量sMRI对使用者的先验知识要求较高,受主观因素影像较大,重复性差,耗时长。且sMRI数据复杂、数据量大,手工测量方法不仅很难发现影像数据中包含的隐藏信息,而且不适于大样本数据分析。因此,用一些自动定量测量的研究方法来提取脑图像中包含的有用信息是十分必要的。
目前,用于脑图像特征提取的方法主要有独立成分分析(Independentcomponent analysis,简称ICA)和非负矩阵分解(NMF)等。但是,无论是基于ICA还是NMF的特征提取方法,在处理数据的过程中都需要将原始的三维sMRI数据向量化,得到一个长度非常长的高阶向量。由于通常样本数量是有限的,向量化后的数据阶数很高可能会导致欠采样问题。而且,向量化也会破坏原始三维数据的空间结构性,造成大量结构信息的丢失。
发明内容
针对向量化三维图像数据所带来的向量数据阶数高、原始数据空间结构信息丢失的问题,本发明采用一种张量分析的方法对sMRI数据进行特征提取,即用非相关多线性主成分分析(uncorrelated multilinear principle component analysis,简称UMPCA)方法对张量形式的sMRI数据进行特征提取。UMPCA相当于一种基于张量的高维主成分分析方法,它能够从高阶数据中提取出关键信息。并且,由于UMPCA在处理sMRI数据时无需对其进行向量化,而是直接将三维数据当做一个张量来处理,因此它能够保留原始数据中的空间结构信息。用UMPCA对sMRI数据进行特征提取,得到每个受试的特征后,再用拉普拉斯值(laplacianscore,简称LS)方法对已提取出的特征进行选择,进一步降低数据的阶数、减少冗余信息,得到一组冗余度低、更具有识别力的特征集。最后,用支持向量机(support vector machine,简称SVM)分类器对受试个体进行分类,判断受试个体是否为AD患者。该方法将相对更重要的特征用于对AD患者的早期发现,能够有效提高分类和诊断的准确率。
本发明采用的技术方案是:
一种用于阿尔兹海默病早期发现的结构性核磁共振影像处理方法,包括如下步骤:
(1)对待分析的结构性核磁共振影像(sMRI)进行预处理,将图像分割成白质、灰质、脑脊液三个部分,选出灰质部分进行后继处理;
(2)将sMRI的三维数据作为一个张量,无需对其进行向量化,用非相关多线性主成分分析(UMPCA)方法对张量形式的sMRI数据进行特征提取,得到每个受试的特征;
(3)用拉普拉斯值(LS)方法,根据每个特征拉普拉斯值的不同,选取一组拉普拉斯值最小的特征;
(4)用支持向量机(SVM)分类器对受试个体进行分类,分成AD患者和正常人两类,进而对受试个体是否患病提供参考性依据。
本发明把UMPCA和LS算法结合起来,以张量的形式对sMRI数据进行特征提取和选择,有效地提高了AD患者诊断的准确性。实验结果表明,用本发明方法得到的分类准确率要大大高于分别用ICA和NMF做特征提取得到的分类准确率。本发明是一种有效的AD辅助诊断工具,可用于AD的早期诊断和干预治疗中。
附图说明
图1是本发明的方法框图。
图2是用本发明方法处理得到的AD患者与正常人的分类准确率与用ICA或NMF方法处理得到的分类准确率的比较。
图3是用本发明方法处理得到的AD患者与老年正常人的分类准确率与用ICA或NMF方法处理得到的分类准确率的比较。
具体实施方式
本发明选择Open Access Series of Imaging Studies(简称OASIS,http://www.oasis-brains.org)数据库中的数据作为实验数据,从416的受试个体中选取了216个信息完整的受试个体进行实验,并根据每个受试的临床痴呆评定(Clinical Dementia Rating,简称CDR)分数分为81个AD患者(CDR>0)和135个正常人(CDR=0),其中年龄超过64岁的正常人为老年正常人,共65人。由于AD的发病率随年龄增长有明显增加,特意做了AD患者和老年健康人的分类结果来说明本发明方法的有效性。图2是81个AD患者和135正常人的分类结果,图3是81个AD患者和65个老年正常人的分类结果。
本发明以张量的形式处理AD的sMRI数据,结合UMPCA和LS两种算法对经过预处理后的三维sMRI数据进行特征提取和特征选择,把得到的特征用SVM分类器进行分类,进而对受试是否患病做出诊断。相比传统二维的特征提取方法,本发明方法提取出来的特征可分性更高,是受试的诊断准确率更高。
根据图1中的方法框图,本发明依据sMRI对AD进行诊断的方法包括以下步骤:
(1)预处理:用statistical parametric mapping(简称SPM)工具对所有sMRI数据预处理成标准图像。SPM是一个Matlab工具包,用于分析脑图像数据序列。用SPM对所有的sMRI图像按T1模版进行标准化,然后对标准化后的图像进行分割,分割成白质、灰质、脑脊液三个部分,选出灰质部分进行后继处理。
(2)特征提取:把所有预处理后的灰质sMRI数据用张量Xm,其中下标m=1,2,…,M,M为受试个体总数。用UMPCA对张量序列X1,X2,…XN进行特征提取,可得到每个受试个体对应的特征ym,m=1,2,…,M。特征ym(m=1,2,…M)的向量长度均为P。UMPCA相当于一种基于张量的高维主成分分析方法,它能够从高阶数据中提取出关键信息。UMPCA在处理sMRI数据时无需对其进行向量化,而是直接将三维数据当做一个张量来处理,因此它能够保留原始数据中的空间结构信息。
(3)特征选择:用LS算法对由UMPCA提取出来的特征进行选择。fp表示由UMPCA提取出来的第p个特征,其中p=1,2,…,P,则有其中符号T表示矩阵的转置。根据每个特征fp的拉普拉斯值的大小选取N个拉普拉斯值最小的特征,选取特征的个数N由使用者自行设定。经LS算法选择后,每个受试个体的特征ym(m=1,2,…M)变为长度为N的向量。通过这一步骤,进一步降低数据的阶数、减少冗余信息,得到一组冗余度低、更具有识别力的特征集。
(4)分类/诊断:M个受试个体分为训练集和测试集,训练集和测试集均包括AD患者和正常人。先把训练集送到SVM分类器中训练出一个分类模型(分为AD患者和正常人两类),然后用训练出的分类模型对测试集的受试个体进行分类,判断属于AD患者还是正常人,进而对受试个体做出诊断。
Claims (1)
1.一种用于阿尔兹海默病早期发现的结构性核磁共振影像处理方法,包括如下步骤:
(1)对待分析的结构性核磁共振影像(sMRI)进行预处理,将图像分割成白质、灰质、脑脊液三个部分,选出灰质部分进行后继处理;
(2)将sMRI的三维数据作为一个张量,无需对其进行向量化,用非相关多线性主成分分析(UMPCA)方法对张量形式的sMRI数据进行特征提取,得到每个受试的特征;
(3)用拉普拉斯值(LS)方法,根据每个特征拉普拉斯值的不同,选取一组拉普拉斯值最小的特征;
(4)用支持向量机(SVM)分类器对受试个体进行分类,分成AD患者和正常人两类,进而对受试个体是否患病提供参考性依据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013102647223A CN103345633A (zh) | 2013-06-27 | 2013-06-27 | 一种用于阿尔兹海默病早期发现的结构性核磁共振影像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013102647223A CN103345633A (zh) | 2013-06-27 | 2013-06-27 | 一种用于阿尔兹海默病早期发现的结构性核磁共振影像处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103345633A true CN103345633A (zh) | 2013-10-09 |
Family
ID=49280428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013102647223A Pending CN103345633A (zh) | 2013-06-27 | 2013-06-27 | 一种用于阿尔兹海默病早期发现的结构性核磁共振影像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103345633A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104605853A (zh) * | 2015-01-21 | 2015-05-13 | 北京师范大学 | 一种基于脑功能特征的实时神经解码系统 |
CN104715260A (zh) * | 2015-03-05 | 2015-06-17 | 中南大学 | 基于rls-elm的多模态融合图像分类方法 |
CN104881686A (zh) * | 2015-05-28 | 2015-09-02 | 重庆大学 | 基于脑磁共振影像的Aβ蛋白沉积信息检测系统 |
CN106066934A (zh) * | 2016-05-27 | 2016-11-02 | 山东大学苏州研究院 | 一种基于Spark平台的阿尔茨海默病早期辅助诊断系统 |
CN108366752A (zh) * | 2015-11-24 | 2018-08-03 | 株式会社国际电气通信基础技术研究所 | 脑活动分析装置、脑活动分析方法、程序以及生物标记物装置 |
CN111081372A (zh) * | 2019-12-14 | 2020-04-28 | 中国科学院深圳先进技术研究院 | 疾病诊断方法、装置、终端设备及计算机可读存储介质 |
WO2024051015A1 (zh) * | 2022-09-08 | 2024-03-14 | 深圳大学 | 一种基于肌肉超声的影像特征提取及分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226155A (zh) * | 2007-12-21 | 2008-07-23 | 中国人民解放军第八一医院 | 智能化肺癌早期细胞病理图像识别处理方法 |
CN101612041A (zh) * | 2008-06-26 | 2009-12-30 | 西门子(中国)有限公司 | 一种计算机辅助方法和装置 |
US20100080439A1 (en) * | 2008-04-04 | 2010-04-01 | Lina Jamil Karam | Automatic Cell Migration and Proliferation Analysis |
CN102938072A (zh) * | 2012-10-20 | 2013-02-20 | 复旦大学 | 一种基于分块低秩张量分析的高光谱图像降维和分类方法 |
-
2013
- 2013-06-27 CN CN2013102647223A patent/CN103345633A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226155A (zh) * | 2007-12-21 | 2008-07-23 | 中国人民解放军第八一医院 | 智能化肺癌早期细胞病理图像识别处理方法 |
US20100080439A1 (en) * | 2008-04-04 | 2010-04-01 | Lina Jamil Karam | Automatic Cell Migration and Proliferation Analysis |
CN101612041A (zh) * | 2008-06-26 | 2009-12-30 | 西门子(中国)有限公司 | 一种计算机辅助方法和装置 |
CN102938072A (zh) * | 2012-10-20 | 2013-02-20 | 复旦大学 | 一种基于分块低秩张量分析的高光谱图像降维和分类方法 |
Non-Patent Citations (6)
Title |
---|
HAIPING LU 等: "Uncorrelated Multilinear Principal Component Analysis for Unsupervised Multilinear Subspace Learning", 《IEEE TRANSACTIONS ON NEURAL NETWORKS》 * |
LU H, PLATANIOTIS K N, VENETSANOPOULOS A N: "Uncorrelated multilinear principal component analysis for unsupervised multilinear subspace learning", 《IEEE TRANSACTIONS ON NEURAL NETWORKS》, vol. 20, no. 11, 31 December 2009 (2009-12-31), pages 2 - 4 * |
XIAOFEI HE 等: "Laplacian Score for Feature Selection", 《ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS》 * |
张浩: "脑图像分类在神经精神疾病辅助诊断中的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 June 2013 (2013-06-15), pages 138 - 985 * |
李刚 等: ""张量线性判别分析算法的脑灰质MRI结像分析"", 《西安工业大学学报》 * |
赵小杰等: "阿尔茨海默氏症研究中的磁共振成像数据分析", 《软件学报》, vol. 20, no. 5, 15 May 2009 (2009-05-15), pages 2 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104605853A (zh) * | 2015-01-21 | 2015-05-13 | 北京师范大学 | 一种基于脑功能特征的实时神经解码系统 |
CN104715260A (zh) * | 2015-03-05 | 2015-06-17 | 中南大学 | 基于rls-elm的多模态融合图像分类方法 |
CN104881686A (zh) * | 2015-05-28 | 2015-09-02 | 重庆大学 | 基于脑磁共振影像的Aβ蛋白沉积信息检测系统 |
CN104881686B (zh) * | 2015-05-28 | 2018-02-02 | 重庆大学 | 基于脑磁共振影像的Aβ蛋白沉积信息检测系统 |
CN108366752A (zh) * | 2015-11-24 | 2018-08-03 | 株式会社国际电气通信基础技术研究所 | 脑活动分析装置、脑活动分析方法、程序以及生物标记物装置 |
CN106066934A (zh) * | 2016-05-27 | 2016-11-02 | 山东大学苏州研究院 | 一种基于Spark平台的阿尔茨海默病早期辅助诊断系统 |
CN111081372A (zh) * | 2019-12-14 | 2020-04-28 | 中国科学院深圳先进技术研究院 | 疾病诊断方法、装置、终端设备及计算机可读存储介质 |
WO2024051015A1 (zh) * | 2022-09-08 | 2024-03-14 | 深圳大学 | 一种基于肌肉超声的影像特征提取及分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Localizing microaneurysms in fundus images through singular spectrum analysis | |
CN103345633A (zh) | 一种用于阿尔兹海默病早期发现的结构性核磁共振影像处理方法 | |
CN106780475A (zh) | 一种基于病理组织切片图像组织区域的图像处理方法及装置 | |
CN103646183A (zh) | 一种基于人工神经网络和多模态mri的阿尔茨海默病智能判别分析方法 | |
CN103249358A (zh) | 医用图像处理装置 | |
CN113177943B (zh) | 一种脑卒中ct影像分割方法 | |
US10832410B2 (en) | Computer system, method, and program for diagnosing subject | |
CN111932522B (zh) | 一种基于脑成像大数据深度学习的阿尔兹海默症分类器 | |
WO2021212715A1 (zh) | 精神分裂症分类识别方法、运行控制装置及医疗设备 | |
Tan et al. | Automated detection of congenital heart disease in fetal ultrasound screening | |
CN117315379B (zh) | 面向深度学习的医学影像分类模型公平性评估方法及装置 | |
Somasundaram et al. | Brain extraction method for T1-weighted magnetic resonance scans | |
Shukla et al. | Alz-ConvNets for classification of Alzheimer disease using transfer learning approach | |
WO2023198224A1 (zh) | 一种精神障碍类磁共振图像初步筛查模型构建方法 | |
CN110880008B (zh) | 基于脑核磁影像数据的结构特征提取和分类方法 | |
CN111652843A (zh) | 一种基于核磁共振结构影像加权的决策支持方法及系统 | |
O’Neill et al. | A theory of fine structure image models with an application to detection and classification of dementia | |
CN116484290A (zh) | 一种基于Stacking集成的抑郁症识别模型构建方法 | |
US20110218823A1 (en) | Method and System for Determining Precursors of Health Abnormalities from Processing Medical Records | |
CN115937129A (zh) | 基于多模态磁共振影像的左右半脑关系的处理方法及装置 | |
Goenka et al. | Patch-based classification for Alzheimer disease using sMRI | |
KR102373992B1 (ko) | 질감 특징을 이용한 알츠하이머 병 분류 방법 및 장치 | |
Nisha et al. | SGD-DABiLSTM based MRI Segmentation for Alzheimer’s disease Detection | |
Brahim et al. | Classification of autism spectrum disorder through the graph fourier transform of fmri temporal signals projected on structural connectome | |
Filipovych et al. | Multi-kernel classification for integration of clinical and imaging data: Application to prediction of cognitive decline in older adults |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20131009 |