一种基于脑部核磁共振图像的多维度纹理提取方法
【专利摘要】本发明公开了一种基于人群脑部核磁共振图像的多维度纹理提取方法，运用区域增长法将人群脑部核磁共振图像中感兴趣区域分割出来，采用Curvelet变换和Contourlet变换方法提取感兴趣区域的纹理特征参数，其中所述人群包括阿尔茨海默病人群体，轻度认知障碍病人群体和正常老年人群体，所述的感兴趣区域的纹理特征参数包括熵、灰度均值、相关性、能量、同质度、方差、最大概率、逆差距、聚类趋势、对比度、和的均值、差的均值、和的熵、差的熵，所述感兴趣区域包括内嗅皮层和海马两个区域。
【专利说明】—种基于脑部核磁共振图像的多维度纹理提取方法
【技术领域】:
[0001]本发明属于医学【技术领域】，具体涉及一种基于脑部核磁共振图像(MRI)的多维度纹理提取方法。
【背景技术】:
[0002]在辅助诊断早期阿尔茨海默病(AD)中，识别MRI图像中ROIs (包括内嗅皮层，海马)的性质具有重要意义。但MRI影像技术只能以海马萎缩作为区别患者和正常人的指标之一，医生对MRI图像的解释易受主观个人影响，缺乏一致性，且不易准确评价痴呆患者症状的严重程度。
[0003]1、现有的图像处理技术有以下5种:
[0004]I)区域增长法(Region-growing Method):
[0005]该方法利用了图像的局部空间信息，可有效克服其它方法存在的图像分割空间不连续的缺点，但尚没有人用该方法进行脑部MRI图像的处理。
[0006]2)灰度共生矩阵(GLCM):
[0007]以往仅有少量相关研究中采用灰度共生矩阵法提取的纹理特征参数，这对于根据脑部MRI图像纹理特 征诊断早期AD、MCI还远远不够。
[0008]3)小波变换(Wavelet Transformation):
[0009]小波变换形成的特征向量虽然能够在一定程度上对图像进行精确描述，但是利用小波变换提取图像中ROIs纹理特征存在着检索精度不高的缺点。
[0010]4)第二代小波变换(Curvelet变换):
[0011]继上世纪80年代后期发展起来的小波变换之后，1996年Swendens提出了先进的第二代小波变换，在基函数算法上也在不断改进，1998年E.J.Candes提出了 Ridgelet变换、1999 年 E.J.Candes 和 D.L.Donoho 发明了 Curvelet 变换新算法:
[0012]
,η , = χ - xi1 ?
[0013]其中:2_j为尺度、Θ 1为方向角θ \ 为位置、R为转换弧度，2006年
又提出了快速离散Curvelet变换。第二代小波变换不但保留了小波变换(WaveletTransformation)方法多尺度的优点，同时还具有各向异性特点，能够很好地逼近奇异曲线，比Wavelet Transformation更加适合分析二维图像中的曲线或边缘特征,而且具有更高的逼近精度和更好的稀疏表达能力，能够为图像提供一种比Wavelet Transformation多分辨分析更加精确的方法。
[0014]5) Contourlet 变换
[0015]Contourlet变换继承了 Curvelet变换的各向异性尺度关系，在一定意义上它是Curvelet变换的另一种实现方式。Contourlet变换的基本思想是首先用一个类似小波的多尺度分解捕捉边缘奇异点，再根据方向信息将位置相近的奇异点汇集成轮廓段。[0016]Contourlet变换可分为两个部分:拉普拉斯塔式滤波器结构(LaplacianPyramid, LP)和二维方向滤波器组(Directional Filter Bank, DFB)。LP分解首先产生原始信号的一个低通采样逼近及原始图像与低通预测图像之间的一个差值图像，对得到的低通图像继续分解得到下一层的低通图像和差值图像，如此逐步滤波得到图像的多分辨率分解；DFB滤波器组使用扇形结构的共轭镜像滤波器组以避免对输入信号的调制，同时将I层二叉树状结构的方向滤波器变成了 21个并行通道的结构。
[0017]Contourlet变换是一种新的图像二维表示方法,具有多分辨率、局部定位、多方向性、近邻界采样和各向异性等性质，其基函数分布于多尺度、多方向上，少量系数即可有效地捕捉图像中的边缘轮廓，而边缘轮廓正是图像中的主要特征。
[0018]但是这些新方法在处理不同部位的MRI图像时，需要利用基函数重新构造新算法、选取适宜的参数，因此仍有许多理论问题值得研究。Contourlet变换已经成功地用于图像融合等实际问题，而用于脑部图像纹理特征提取的文献报道凤毛麟角。目前所查阅的文献中，仅有人使用GLCM和Wavelet变换对AD组及正常组脑部MRI图像提取纹理特征并建立预测模型，以诊断结果准确性对上述两种方法进行比较，发现采用GLCM提取纹理建模预测效果优于Wavelet变换。目前尚未见有人使用第二代小波变换以及Contourlet变换进行AD脑部MRI图像纹理提取。因此，需要结合上述现有技术的优点，并克服其不足，对图像的处理方法进行改进，以达到提高早期AD、MCI诊断率的目的。
[0019]2、常用的预测模型:
[0020]支持向量机(SupportVector Machine, SVM):
[0021]支持向量机是建立在统计学习理论VC维理论和结构风险最小化原理基础上的机器学习方法。其机理是寻找一个满足分类要求的最优分类超平面，使得该超平面在保证分类精度的同时，能够使超平面两侧的空白区域最大化。
[0022]理论上，支持向量机能够实现对线性可分数据的最优分类。以两类数据分类为例，给定训练样本集(Xi，Yj)，i = 1，2，…，1，X e {± 1}，超平面记作(w.χ) +b = 0，为使分类面对所有样本正确分类并且具备分类间隔，就要求它满足如下约束:yi[(w.Xi)+b]≥1，i =1，2，...，1，可以计算出分类间隔为2/| |w| |，因此构造最优超平面的问题就转化为在约束式下求:
[0023]
【权利要求】
1.一种基于人群脑部核磁共振图像的多维度纹理提取方法，其特征在于:运用区域增长法将人群脑部核磁共振图像中需要的区域分割出来。
2.根据权利要求1所述的提取方法，其特征在于:采用Curvelet变换方法提取需要的区域的纹理特征参数，其中所述人群包括阿尔茨海默病人群体，轻度认知障碍病人群体和正常老年人群体，所述的需要的区域的纹理特征参数包括熵、灰度均值、相关性、能量、同质度、方差、最大概率、逆差距、聚类趋势、对比度、和的均值、差的均值、和的熵、差的熵，所述需要的区域包括内嗅皮层和海马两个区域。
3.根据权利要求1所述的提取方法，其特征在于:采用Contourlet变换方法提取需要的区域的纹理特征参数，其中所述人群包括阿尔茨海默病人群体，轻度认知障碍病人群体和正常老年人群体，所述的需要的区域的纹理特征参数包括熵、灰度均值、相关性、能量、同质度、方差、最大概率、逆差距、聚类趋势、对比度、和的均值、差的均值、和的熵、差的熵，所述需要的区域包括内嗅皮层和海马两个区域。
【文档编号】G06K9/62GK103793711SQ201410023305
【公开日】2014年5月14日 申请日期:2014年1月17日 优先权日:2014年1月17日
【发明者】郭秀花, 高妮, 王晶晶, 陶丽新, 刘相佟 申请人:首都医科大学