CN109840554B

CN109840554B - 一种基于svm-rfe-mrmr算法的阿兹海默症mri图像分类方法

Info

Publication number: CN109840554B
Application number: CN201910047517.9A
Authority: CN
Inventors: 李晖; 施若; 冯刚
Original assignee: Guizhou Lianke Weixin Technology Co ltd
Current assignee: Guizhou Lianke Weixin Technology Co ltd
Priority date: 2018-12-26
Filing date: 2019-01-18
Publication date: 2023-05-02
Anticipated expiration: 2039-01-18
Also published as: CN109840554A

Abstract

本发明公开了一种基于SVM‑RFE‑MRMR算法的阿兹海默症MRI图像分类方法。按下述步骤进行：a.采用VBM方法确定MRI图像中的病灶区，计算病灶区的灰质体积作为形态学特征，提取包括灰度共生矩阵和灰度‑梯度共生矩阵的纹理特征；b.将步骤a中所述的形态学特征和纹理特征组合，使用SVM‑RFE‑MRMR算法对组合的特征进行选择，得选择后组合特征；c.对选择后组合特征使用SVM‑RFE算法进行特征排序，排序后采用径向核函数的SVM算法对特征进行分类，分类前将选择后组合特的数据归一化到[0,1]之间。本发明的识别方法具有劳动强度小、效率高、准确率和识别率高的特点。

Description

一种基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法

技术领域

本发明涉及医学图像分类领域，特别是一种基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法。

背景技术

医学图像处理是当今最具挑战性和新兴的领域。从磁共振(MRI)脑图像中提取，识别和分割病灶区域是一个重要的问题。比如，对阿尔茨海默症患者(AD)、轻度认知障碍患者(MCI)和正常个体(NC)的MRI图像的分类识别。但是由于放射科医生或临床专家执行的任务是一项沉闷且耗时的任务，并且最终的分类准确性仅取决于他们的经验，因此目前对AD、MCI和NC的MRI图像的分类识别存在劳动强度大，效率低和识别准确率不稳定的情况。

发明内容

本发明的目的在于，提供一种基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法。本发明的识别方法具有劳动强度小、效率高、准确率和识别率高的特点。

本发明的技术方案：一种基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，按下述步骤进行：

a.采用VBM方法确定MRI图像中的病灶区，计算病灶区的灰质体积作为形态学特征，提取包括灰度共生矩阵和灰度-梯度共生矩阵的纹理特征；

b.将步骤a中所述的形态学特征和纹理特征组合，使用SVM-RFE-MRMR算法对组合的特征进行选择，得选择后组合特征；

c.对选择后组合特征使用SVM-RFE算法进行特征排序，排序后采用径向核函数的SVM算法对特征进行分类，分类前将选择后组合特的数据归一化到[0,1]之间；

步骤b中，SVM-RFE-MRMR算法具体是使用SVM-RFE算法和MRMR算法中互信息计算量对特征进行选择，具体公式如下：

其中，r表示特征选择的评价因子；

0<β<1；

w表示SVM-RFE算法中的权向量；

D表示MRMR算法中特征与类别间的相关性；

m表示每次递归消除后所剩的特征个数；

R表示MRMR算法中特征间的相关性；

前述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法所述的步骤a中，所述的MRI图像中的病灶区按下述方法确定：

将全部MRI图像配准至MNI空间的标准模板上；

将配准后的MRI图像分割成灰质、白质、脑脊液；

分割后的灰质图像经过雅克比行列式进行容积变化校正；

利用12mm的半高全宽高斯平滑核对所有分割和校正后的灰质图像进行平滑处理；

对平滑处理后的灰质图像采用VBM统计分析中的GLM模型进行统计分析，在GLM模型的基础上对假设前提进行双样本t检验，以检测两组灰质图像的灰质密度的差异性，具有显著差异的灰质密度区域，确定为病灶区。

前述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法中，在检测整灰质密度的差异性时，采用FDR校正方法进行多重校验；经过FDR校正方法校正后得到灰质图像中的灰质密度差异显著的区域信息，根据所述的区域信息，选取显著性差异明显的区域作确定为病灶区。

前述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法所述的步骤a中，所述的形态学特征的计算如下：

病灶区确定后，制作病灶区二值掩膜；

之后，对病灶区二值掩膜进行重采样，使其与灰质图像的维度一致；

最后，使用重采样后的病灶区二值掩膜对灰质图像进行点成计算，得到灰质体积，即为形态学特征。

前述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法所述的所述的病灶区二值掩膜，采用WFU_PickAtlas工具制作。

前述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法所述的步骤a中，所述的VBM方法具体采用VBM-Dartel方法。

前述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法所述的步骤a中，灰度共生矩阵的提取具体是：沿MRI图像灰度的方向，相邻间隔，提取0°、45°、90°和145°四个方向；相邻间隔分别是1、2、3、4、5、6，并且还包括12个统计参数。

前述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法所述的步骤a中，灰度共生矩阵的提取具体是：提取15个参数作为灰度-梯度共生矩阵的特征。

前述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法所述的步骤c中，分类时，使用粒子群算法优化SVM参数。

有益效果

与现有技术相比，本发明通过提取MRI图像的三维特征:灰质体积，二维特征：灰度共生矩阵、灰度-梯度共生矩阵征，并且改进融合了SVM-RFE算法和MRMR算法得到新的SVM-RFE-MRMR算法，使用SVM-RFE-MRMR算法对组合的特征进行选择；该算法通过MRMR算法增强了支持向量的递归特征，有效提高了对MRI图像的分类性能。通过该方法取代了繁杂枯燥的人工读片分类，有效降低了医生或临床专家的劳动强度，提升了工作效率；且使用本发明的方法进行MRI图像的读片分类，避免了因医生经验不同造成的读片分类误差，进而提高了读片的准确率。

由于SVM-RFE算法主要以特征对分类器作用的大小来进行特征排序，虽然它能针对分类器有效选择出相关特征，但是它不考虑特征之间的冗余性；而最大相关最小冗余MRMR(Minimum Redundancy Maximum Relevancy)算法是独立于分类器所执行的，不参与特征的选择。基于上述两种算法单一使用时存在的缺点，本发明对算法进行有效融合得到的SVM-RFE-MRMR算法，使用时加强了SVM-RFE的相关性，也考虑到了特征之间的冗余性，有效提高分类效果，提高了分类的准确率。

本发明采用VBM-Dartel方法确定MRI图像中的病灶区，该方法不仅改进了分割的准确性和保留原始体积信息，也确保了空间的精确度规范化；有效确保了后续分类的准确率和识别率。

本发明在提取MRI图像的特征时，将MRI图像中的三维信息和二维信息结合，提取了形态特征和纹理特征。通过二者的组合，提高了对MRI图像的识别率。

为了证明本发明的有益效果，申请人进行了如下实验：

1.材料与工具

1.1材料

本实验所用的数据来自美国大型ADNI公开数据库，采用的样本图像是磁通量为1.5的加权MRI图像，总共148例被试，其中50名阿尔兹海默症病人(AD)，50名正常老人(NC)，48名轻度认知障碍(MCI)，样本信息统计情况如表1所示，分别列举了AD和NC，MCI的数量，年龄，简易精神状态表(MMSE)，MMSE总分30分，按受教育程度评价得分，分界值以下认为有功能缺陷，分值以上为正常：文盲(未受教育)17分；小学(受教育年限≤6年)20分；中学或以上(受教育年限≥6年)24分。选取MMSE评分为20～22分的轻度AD患者作为AD组；选取CDR(CDR是指Clinical Dementia Rating,，临床失智评分)为0分、MMSE为26～30分者作为正常对照组(NC组)。两组性别比例基本均衡，个体间差异较小，如表1所示。从表中可知，MCI的MMSE得分低于NC，高于AD。

表1样本信息统计

1.2实验工具

SPM8软件工具箱中的VBM8软件包，运行环境是Matlab12。

2.实验方法

按实施例1的方法实验。

3.实验结果

3.1体积变化

经过图像分割后，得到灰质(GM)、白质(WM)和脑脊液(CSF)，分别统计其各自体积，其中全脑体积TIV(Total Intracranial Volume)为灰质、白质、脑脊液体积之和，即TIV＝GM+WM+CSF。三组数据的体积比重如表2所示。

表2样本体积信息

由于选取样本中会出现有的人脑体积的大小不同，仅仅看GM和TIV的体积显然不能反映其是否真的发生萎缩，因此从表2中，可明显看出三组数据的GM占比，从NC到MCI、再到AD逐渐变小，由此可以看出，AD组患者脑灰质萎缩最为严重，MCI组也比正常组NC略为萎缩。

3.2灰质分析

3.2.1NC-AD

基于VBM算法对NC和AD组体素值进行统计分析后，使用双样本T检验，设置显著性值，未矫正的阈值pValue≤0.001，经过FDR校正，FDR≤0.05，设定体素集合超过50个，获取AD患者的病灶区，使用xjview显示患者和对照组的差异脑区，其发生变化差异如图1所示。图1中标识的区域即为两组数据的灰质差异明显区，图1中各区域的信息如表3所示。

表3差异脑区信息(NC-AD)

结合图1NC-AD脑区差异图和表3中的信息，可发现患者平均老灰质体素减少，其中海马区的萎缩较为明显，其他脑区也相应发生不同程度的萎缩。

3.2.2NC-MCI

在对NC组和MCI组进行实验时，未矫正的阈值pValue≤0.001，设置FDR≤0.05,设定体素集合超过50个。如图2显示了NC组和MCI组的脑区差异情况；图2中各差异脑区信息如表4所示。

表4差异脑区信息(NC-MCI)

结合图2和表4中的信息可知，NC组人群和MCI组人群的各脑区的平均萎缩体素情况。

3.2.3MCI–AD

对MCI和AD组的进行实验，未矫正的阈值pValue≤0.005,使用错误发现率FDR≤0.05进行多重实验，实验结果如图3所示，标记出来的区域为发生萎缩的区域，主要萎缩区域信息如表5所示。

表5差异脑区信息(MCI-AD)

结合图3和表5中的信息可知，MCI组人群和AD组人群的各脑区的平均萎缩体素情况.

综上所述，分别对不同组数据实验后，确定其病灶区ROI，使用工具WFU_PickAtlas分别对上述的三张表格中的ROI区域制作相应的二进制掩码，对其进行重采样，再使用制作的ROI二进制掩码对相应组中的数据进行点乘计算，得到灰质体积，即为所求形态学特征。

3.3特征选择性能评估

经过以上特征提取过程后，分别获得三组图像数据的特征数据，由于各组数据形态学特征确定的病灶区不相同，因此，最终得到特征各不相同，其中：NC-AD组特征个数312，NC-MCI组特征个数314个，MCI-AD组特征个数318个。

分别对三组特征数据使用SVM-RFE进行特征排序。实验中，归一化数据到[0,1]之间，分类算法采用径向核函数的SVM算法，采用粒子群算法优化参数。从排序后的特征中，依次选择不同的特征数构建分类模型，所得测试集的分类准确率如图4所示。

图4反映了SVM-RFE算法中，特征子集的大小和分类准确率的关系变化，对于NC-AD组而言，当特征到达292个时，其分类准确率达到最大，之后，分类准确率开始变低。对于NC-MCI组，当特征数达到282时，分类准确率达到最大，对于MCI-AD组，当特征数达到296时，分类准确率达到最大。因此，图4同时也说明了并不是特征数越多，所提供的预测信息就越多，当某一个特征子集获得的分类准确率达到一定值时，再往里面添加特征，反而可能会降低其分类性能。那么，从众多特征中选择出最优的特征子集是分类预测中很重要的一个阶段。

以下是本发明的SVM-RFE-MRMR算法的验证结果：

如图5所示，给出了SVM-RFE算法和本发明SVM-RFE-MRMR算法排序后的分类准确率比较。不同特征数下，将SVM-RFE-MRMR算法和SVF-FRE算法应用于NC-AD组数据后得到的分类准确率各不相同，从图5中的分类准确率线可以看出，SVM-RFE-MRMR算法性能明显高于SVM-RFE算法的分类性能。当其特征数达到第4个特征时，得到最高分类准确率为93.33％。这时，可以确定经过SVM-RFE-MRMR算法特征选择后的前4个特征即为我们最优的特征子集。

根据最优特征子集得到的分类性能最高，同时特征维数最小，且它与类别间的相关性最大，特征间的冗余性最小，以减小计算开销。

如图6所示，可以看出SVM-RFE-MRMR算法和SVM-RFE算法的分类准确率一样，最大为89.655％。但是，从图6中也很明显看出，当两者分类准确率都获得一样的最大分类准确率时，SVM-RFE-MRMR算法的最优特征维数明显少于SVM-RFE的最优特征维数；即SVM-RFE-MRMR算法的最优特征维数为5，而SVM-RFE特征维数为282。特征选择的目的，不仅要选择出分类性能最高的特征子集，还要其维数最少。

如图7所示，当特征数为6时，分类准确率达到最高，最高为92.86％，SVM-RFE-MRMR算法分类准确率与SVM-RFE算法的分类准确率相比高出了3.57％。

3.4分类评估

3.4.1性能评价标准

本发明使用五个指标来评价分类性能，包括：准确率Accuracy(ACC)，代表所有样本分类中分类正确的比例；灵敏度Sensitive(SEN)，代表实验结果判定为阳性的实际正确率，反应了识别方法发现病人的能力；特异性Specificity(SPEC)，代表实验结果判定为阴性的实际正确率，反应识别方法判别正常人的能力；阳性预测值Positive predictivevalue(PPV)，代表实验结果判定为阳性实际患病的可能性；阴性预测值Negativepredictive value(NPV)，代表实验结果判定为阴性实际不患病的可能性；真阴性Truepositives(TP)，代表被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数；假阳性False positives(FP)，被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；假阴性False negatives(FN)，代表被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；真阳性True negatives(TN)，代表被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。各指标的计算公式如下：

其中ACC,SEN,SPEC的值越高，说明分类性能越好，识别方法的错误了越低。

3.4.2SVM-RFE-MRMR算法评估

为了验证本发明的有效性，这里还做了其他三种方法的实验，即未做特征选择、PCA特征选择、SVM-RFE特征选择、都是在径向核函数的SVM算法下进行实验，采用粒子群算法优化参数。实验结果如表6所示。

表6分类结果

从表6中可知，对比其他方法，SVM-RFE-MRMR算法获得了较好的分类效果：

(1)对于CN-AD组，其分类准确率达到93.33％,对比为进行特征选择时，提高了6.66％，对比未改进的SVM-RFE,提高了3.33％。

(2)对于NC-MCI组，其分类准确率达到89.667％，虽然对比SVM-RFE，其准确率没有提高，但是两者的最优特征子集维数相差很大，本发明的方法获得的最优特征子集维数只有5个，而SVM-RFE的最优特征子集有282个。

(3)对于MCI-AD组，其分类准确率达到92.86％，比未进行特征选择时要高7.15％，比SVM-RFE提高了3.57％。

3.5结论

本实验中，使用NC,MCI,AD三组数据进行实验，对每两组数据进行双样本T检验，根据两组数据的差异，确定病灶区，通过病灶区进行形态学特征提取，之后对MRI数据进行纹理特征提取。将这些提取的特征组合在一起，使用了SVM-RFE-MRMR算法进行特征选择。最后分类过程中，使用粒子群算法优化SVM参数。实验结果证实了，本发明分类方法的有效性，获得较好的分类性能。对医生在诊断阿尔兹海默症疾病方面起到了很好地辅助作用。

附图说明

图1是NC-AD脑区差异图；

图2是NC-MCI脑区差异图；

图3是MCI-AD脑区差异图；

图4是三组数据的SVM-RFE和分类准确率的变化关系；

图5是SVM-RFE算法和本发明算法比较(NC-AD组)；

图6是SVM-RFE算法和本发明算法比较(NC-MCI)；

图7是SVM-RFE算法和本发明算法比较(MCI-AD)。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。

实施例1。一种基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，按下述步骤进行：

a.采用VBM(基于体素形态学分析)方法确定MRI图像中的病灶区，计算病灶区的灰质体积作为形态学特征，提取包括灰度共生矩阵和灰度-梯度共生矩阵的纹理特征；本发明结合MRI图像的三维信息(即灰质体积)和二维信息(即灰度共生矩阵和灰度-梯度共生矩阵)，提取了形态特征和纹理特征，通过二者的组合，提高对MRI图像的识别率。

b.将步骤a中所述的形态学特征和纹理特征组合(例如：形态学特征有a、b、c三种，纹理特征有d、e两种，组合即为：将特征变成[a,b,c,d,e]五个)，使用SVM-RFE-MRMR算法对组合的特征进行选择，得选择后组合特征；

步骤b中，SVM-RFE-MRMR算法具体是使用SVM-RFE算法(支持向量机递归特征消除算法，即Recursive feature elimination)和MRMR算法(最大相关最小冗余特征选择算法)中互信息计算量对特征进行选择；SVM-RFE-MRMR算法的计算过程具体如下：

对于SVM-RFE算法；其属于一种后向递归消除特征选择算法，它以各个特征对目标函数所具有的判别信息量作为排系数，即以权向量w对分类面(y＝w*x+b)的贡献来构造特征排序表，如果特征对应的权值越大，就越能影响决策函数，且权值越大的特征具有的判别信息就越多，每次迭代移除一个权值最小的特征，再对分类器重新训练，直到特征排序表完成。

其w值计算公式如下：

r＝||w||²；

其中，y为类标签，x为样本，a为拉格朗日乘数，k指第k个特征，r为用于特征选择的评价因子；

对于MRMR算法；其中的最大相关特征算法是以特征与类别关联度作为特征选择相关程度的评估方法，其特征算法依赖于数据集本身。其中的冗余性是对两个特征的相关性的考量；当两个特征间的相关性比较大时，说明这两个特征对于类别的判别有很多重复的信息。因此，MRMR算法的目的是选出与类别相关性大、与其他特征相关性小的特征。

所述的MRMR算法属于wrapper型特征选择算法，其是以非线性相关系-互信息作为特征的相关性度量因子。本发明中，以计算F统计量作为相关性，以相关函数(即下述的公式(6))计算冗余度，找出含有m个特征的特征子集S。最大相关计算公式如下：

max D_F (2)

公式(1)中，D是特征与类别之间的相关性，S表示含有m个特征的特征子集，|S|表示特征子集的个数，x_i表示第i个特征，i＝1,2,3,…,m；c表示数据集(即数据的集合)的类别变量；

公式(2)表示最大相关性。

最小冗余是对特征之间依赖性关系的一种描述，它要求每个特征属性之间的相关性最小，其计算公式如下所示：

min R_C (4)

公式(3)中，R表示特征之间的相关性，x_i、x_j表示第i、j个特征，i、j＝1,2,3,…,m；C(x_i；x_j)表示特征x_i与特征x_j之间的相关性；

公式(4)表示最小冗余量。

最大相关最小冗余就是将特征与类别间的最大相关性的选择标准和特征之间的最小冗余性的选择标准结合起来使用，算法定义中有减法整合，除法整合。本发明选择减法整合最大相关和最小冗余度，公式如下：

max I(D,R)＝D-R (5)

公式(5)中的max I为最大相关最小冗余量。

本发明中，根据数据集的特性，使用F统计量和corr相关系数作为MRMR的计算量。

F统计量计算过程如下：

其中，其中，numFeat表示特征数，numclass表示类别数，N表示样本总数，n表示每一类样本数，g表示每一个特征所对应的所有样本均值，g*表示每一个特征所对应每一类样本均值，s表示每一个特征对应的每一类样本的方差；

corr相关系数的计算过程如下：

其中，numFeat表示特征数，u_i,j表示每一个样本的第i个和第j个特征对应相乘后求和，h_i,j表示分别求和所有样本的第i特征值和第j个特征值后再相乘，m_i表示对每一个样本的第i个特征进行平方，w_i表示对所有样本的第i个特征求和后再平方，d_j表示对每一个样本的第j个特征进行平方，b_j表示对所有样本的第j个特征求和后再平方，N表示样本总数。

综上，分别求得了最大相关最小冗余中的F统计量值和相关系数corr，融合计算后得到的SVM-RFE-MRMR算法的公式如下：

此处，使用向后选择，每一次移除一个最不重要的特征，直到剩余1个特征，将其放入最优特征子集里，之后再用剩下的特征去训练分类器，计算相关性和冗余性，循环使用递归消除法，直到所有特征都被排序完成。m表示每次递归消除后所剩下特征个数，r表示特征选择的评价因子；0<β<1，此处默认为0.5。算法公式如下：

Algorithm:SVM-RFE-MRMR

Input:Original set of feature S

Output:Ranked set of feature R

begin

Setβ

Initialization feature set S＝{1,2,3....m},

feature ranking set R＝{}

Repeat:

Train SVM with feature set S

Get the weight of eatch feature

Compute

for each feature do

Compute and

Compute

end for

Using as the feature ranking score

Find the feature with smallest ranking score,

i＝arg min{}

Updata R＝[i,R]；S＝S/i；

Until all genes are ranked

end:output R

前述的步骤a中，所述的MRI图像中的病灶区按下述方法确定：

将全部MRI图像配准至MNI空间的标准模板上；

将配准后的MRI图像分割成灰质、白质、脑脊液；

分割后的灰质图像经过雅克比行列式进行容积变化校正，以补偿空间标准化的影响；

利用12mm的半高全宽高斯平滑核对所有分割和校正后的灰质图像进行平滑处理；空间平滑实质是对经过上一步分割得到的不同组织的图像进行滤波的过程。平滑处理的目的是消除细微的匹配误差以及提高信噪比，在VBM中，经过平滑处理的图像中的每一个体素都包含从原体素统计出的灰质的平均浓度，即“灰质密度”。

对平滑处理后的灰质图像采用VBM统计分析中的GLM模型(线性模型，generallinear model)进行统计分析，在GLM模型的基础上对假设前提(假设前提是指：假设数据符合双样本T检验)进行双样本t检验，以检测两组灰质图像的灰质密度的差异性，具有显著差异的灰质密度区域，确定为病灶区。

所述的MRI图像在确定病灶区时，采用统计参数图SPM8软件工具箱中的VBM8软件包进行数据处理和分析，运行环境是Matlab12。

在检测整灰质密度的差异性时，采用FDR校正方法进行多重校验；经过FDR校正方法校正后得到灰质图像中的灰质密度差异显著的区域信息，根据所述的区域信息，选取显著性差异明显的区域作确定为病灶区。

前述的步骤a中，所述的形态学特征的计算如下：

病灶区确定后，制作病灶区二值掩膜(即二进制掩码，掩膜是指两幅图像之间进行的各种位运算操作)；

前述的病灶区二值掩膜，采用WFU_PickAtlas工具制作。

前述的步骤a中，所述的VBM方法具体采用VBM-Dartel方法。采用该方法优点在于：其个体脑图像原始空间的图像分割方法，是在原始空间上对图像进行分割后再配准，这样保证了统计分析时输入的数据均来自于灰质或白质，避免了空间标准化时灰质和白质的相互影响。另外一方面，该方法使用调制的方法保存图像原始体积信息，确保配准结果基于变形场的微分形。因此，该方法不仅改进了分割的准确性和保留原始体积信息，也确保了空间的精确度规范化。

前述的步骤a中，灰度共生矩阵的提取具体是：沿MRI图像灰度的方向，相邻间隔，提取0°、45°、90°和145°四个方向；相邻间隔分别是1、2、3、4、5、6，并且还包括12个统计参数；所述的12个统计参数具体是：二阶矩、对比度、相关性、逆差矩、熵、方差、和均值、和方差、和熵、差均值、差方差、差熵。图像的灰度共生矩阵反映了图像灰度关于方向，相邻相隔，变化幅度的综合信息。它是分析图像的局部模式和他们排列规则的基础，从它出发可以进一步提取描述图像纹理的一系列特征。

前述的步骤a中，灰度共生矩阵的提取具体是：提取15个参数作为灰度-梯度共生矩阵的特征；所述的15个参数具体是：小梯度优势，大梯度优势，灰度分布不均匀性，梯度分布不均匀性，能量，灰度平均值，梯度平均值，灰度均方差，梯度均方差，相关性，灰度熵，梯度熵，混合熵，惯性，逆差矩；灰度-梯度共生矩阵模型集中反映了图像中像素点的灰度和梯度(或边缘)的相互关系。各像点的灰度是构成一幅图像的基础，而梯度则是构成图像边缘轮廓的要素，图像的主要信息是由图像的边缘轮廓提供的。

本发明中，通过对灰度共生矩阵参数和梯度-灰度共生矩阵参数计算后，共得到303个纹理特征。

前述的步骤c中，分类时，使用粒子群算法优化SVM参数。

Claims

1.一种基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特征在于，按下述步骤进行：

a.采用VBM方法确定MRI图像中的病灶区，计算病灶区的灰质体积作为形态学特征，提取包括灰度共生矩阵和灰度-梯度共生矩阵的纹理特征；步骤a中，所述的形态学特征的计算如下：

病灶区确定后，制作病灶区二值掩膜；

最后，使用重采样后的病灶区二值掩膜对灰质图像进行点成计算，得到灰质体积，即为形态学特征；

其中，r表示特征选择的评价因子；

0<β<1；

w表示SVM-RFE算法中的权向量；

D表示MRMR算法中特征与类别间的相关性；

m表示每次递归消除后所剩的特征个数；

R表示MRMR算法中特征间的相关性。

2.根据权利要求1所述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特征在于，步骤a中，所述的MRI图像中的病灶区按下述方法确定：

将全部MRI图像配准至MNI空间的标准模板上；

将配准后的MRI图像分割成灰质、白质、脑脊液；

分割后的灰质图像经过雅克比行列式进行容积变化校正；

3.根据权利要求2所述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特征在于，在检测整灰质密度的差异性时，采用FDR校正方法进行多重校验；经过FDR校正方法校正后得到灰质图像中的灰质密度差异显著的区域信息，根据所述的区域信息，选取显著性差异明显的区域作确定为病灶区。

4.根据权利要求1所述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特征在于，所述的病灶区二值掩膜，采用WFU_PickAtlas工具制作。

5.根据权利要求1所述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特征在于，步骤a中，所述的VBM方法具体采用VBM-Dartel方法。

6.根据权利要求1所述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特征在于，步骤a中，灰度共生矩阵的提取具体是：沿MRI图像灰度的方向，相邻间隔，提取0°、45°、90°和145°四个方向；相邻间隔分别是1、2、3、4、5、6，并且还包括12个统计参数。

7.根据权利要求1所述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特征在于，步骤a中，灰度共生矩阵的提取具体是：提取15个参数作为灰度-梯度共生矩阵的特征。

8.根据权利要求1所述的基于SVM-RFE-MRMR算法的阿兹海默症MRI图像分类方法，其特征在于，步骤c中，分类时，使用粒子群算法优化SVM参数。