一种基于多尺度网格曲面形状特征的阿尔茨海默病脑皮层自动分类方法
【专利摘要】本发明公开了一种基于多尺度网格曲面形状特征的阿尔茨海默病脑皮层自动分类方法，步骤如下：确定阿尔茨海默病患者(AD)和正常人(NC)两组样本，并等比例分成样本集和测试集；依据样本的脑部磁共振(MRI)图像提取多尺度网格曲面；针对各顶点计算局部点面距离(LVPD)和平均曲率；以平滑过的LVPD和平均曲率为观测指标，提取具有显著统计学差异的区域，并筛选出两种指标意义下的种子点；对训练集每个样本提取特征行向量，构成特征矩阵，用降维后的特征矩阵结合相应样本类别来训练分类器；用测试集样本测试分类器性能。本发明克服了现有技术易受皮层分割误差影响和可能遗漏某个尺度差异的缺点，实现了依据脑皮层多尺度形状特征为依据的两组样本分类。
【专利说明】-种基于多尺度网格曲面形状特征的阿尔茨海默病脑皮层 自动分类方法
【技术领域】
[0001] 本发明属于医学图像处理【技术领域】，尤其是涉及一种基于多尺度网格曲面形状特 征的阿尔茨海默病脑皮层自动分类方法，该方法可以利用脑皮层的形状特征检测阿尔茨海 默病病例，具有临床辅助诊断的作用。
【背景技术】
[0002] 随着人口老龄化问题的日益突出，关注老年人生存质量，关注包括阿尔茨海默病 (Alzheimer' s Disease, AD)在内的老年疾病，探索认识、预防和治疗此类疾病的新方法和 新手段对提高社会的整体生活质量有实际价值。
[0003] AD的成因复杂，发展过程是渐进的，并且临床表现各异，特别是早期并没有明显的 临床症状，在成像技术成熟以前，AD只有等到患者去世后对其进行脑部解剖才能确诊。脑部 磁共振成像（Magnetic Resonance Imaging, MRI)技术已经可以获得较好空间分辨率（典 型值1 X 1 X 1毫米）的三维大脑内部图像，从而为非侵入式地研究AD患者的大脑形态与疾 病之间的关系提供了数据基础。因而采用MRI进行脑部扫描，提取具有预测或者指示性的 特征，进而自动地完成诊断分类，已成为重要的辅助诊断措施。
[0004] 现有的基于MRI的AD病例分类方法主要包括以下两类：
[0005] 1、基于全脑的分类方法：典型代表为基于体素（voxel-based)或皮层厚度 (cortical thickness)的分类方法，然而在基于体素的框架下，选择更多的特征并不能提 升分类性能但却明显地增加了计算时间，而且年龄较大的NC组病例（正常老化）和较年轻 的AD病人很容易被混淆和误判。而皮层厚度方法不可避免地涉及到组织分割或者功能结 构分割，由于存在较大的个体差异，该方法对分割算法的精度和操作者的经验和耐心都是 极大的挑战，并且不具备多尺度特性，可能存在遗漏某个尺度上的差异；
[0006] 2、基于感兴趣区域的分类方法：比如基于海马体和颞叶局部区域的分类方法，涉 及到组织分割和功能结构分割，因此与皮层厚度方法类似，该方法同样容易受到组织分割 精度和绝对观测值误差的影响。
【发明内容】
[0007] 本发明的目的是针对上述已有技术的不足，提出一种基于多尺度网格曲面形状 特征的阿尔茨海默病脑皮层自动分类方法，以克服常用AD脑皮层分类方法的易受皮质分 割误差影响和可能存在某个尺度上的差异遗漏的缺点，实现多尺度的阿尔茨海默病样本分 类。
[0008] 为解决上述技术问题，本发明的技术方案是：
[0009] -种基于多尺度网格曲面形状特征的阿尔茨海默病脑皮层自动分类方法，从形态 学的角度，在多个尺度上分析正常人（NC)和阿尔茨海默病（AD)的脑皮层形状特征具有显 著统计学差异的区域，采用基于种子点选择和区域生长准则的方法对每个样本进行稳定特 征提取，使用训练集数据训练分类器，从而实现两组样本的分类，包括如下步骤：
[0010] (1)按临床医学诊断标准，分别采集正常人对照组（NC)和阿尔茨海默病组（AD)的 大脑磁共振图像，两组样本的数目相等或接近，并从两组样本中等比例地选择一部分样本 用作训练集，剩余的作为测试集；
[0011] (2)针对所有样本的大脑核磁共振图像，经过图像强度矫正、配准至标准脑、灰质 /白质/脑脊液分割、脑皮层表面提取与配准、顶点采样等过程得到各样本脑皮层的各尺度 三角网格曲面Gj(l彡j彡L)，j称为网格曲面Gj的尺度，且心为最精细网格曲面，心为最 粗糙网格曲面；
[0012] (3)记第j级三角网格曲面Gj中任意顶点为P，定义顶点p的1-环邻域内的顶点 构成的集合为E p，并用集合Ep内的所有顶点构造一个平面fp，记顶点p到该平面fp的距离 为顶点P的局部点面距离d p ;
[0013] (4)计算各尺度网格上顶点p的局部点面距离dp和该顶点的平均曲率cp，并用半 高全宽半径为10毫米的扩散核函数对d p和cp分别进行平滑，得到平滑后的局部点面距离 d' p和平均曲率c' p;
[0014] (5)结合样本人口学信息，建立关于观测值与性别、年龄和分组类别的多元线性回 归模型，以各尺度网格上顶点的局部点面距离d' p为观测值，通过双样本T检验对AD和NC 两组的训练集进行组间比较，得到局部点面距离意义下各尺度网格上顶点的统计学差异显 著性水平值；以各尺度网格上顶点的平均曲率W p为观测值，通过双样本T检验对AD和 NC两组的训练集进行组间比较，得到平均曲率意义下各尺度网格上顶点的统计学差异显著 性水平值；
[0015] (6)针对训练集样本，以各尺度网格上顶点的统计学差异显著性水平值为标准，初 步筛选出局部点面距离意义下的种子点P di，i为筛选出的第i个种子点，1 < i <队，队为 符合初步筛选条件的所有尺度上种子点的总个数，d表示以局部点面距离为指标；初步筛 选出平均曲率意义下的种子点p。,，q为筛选出的第q个种子点，1 < q < My M。为符合初步 筛选条件的所有尺度上种子点的总个数，c表示以平均曲率为指标；
[0016] (7)针对训练集样本，对每个初步筛选出的种子点pdi进行区域生长，得到每个种 子点对应的差异区域顶点集合J di，其中1 < i < N，N是经过二次筛选后的局部点面距离意 义下的所有尺度上种子点的总个数；对每个初步筛选出的种子点P。,进行区域生长得到每 个种子点对应的差异区域顶点集合J。,，其中1 < q<M，M是经过二次筛选后的平均曲率意 义下的所有尺度上种子点的总个数； _7] (8)针对训练集每个样本，计算各个差异区域顶点集合Jdi(l彡i彡N)内所有顶 点的局部点面距离均值udi (1彡i彡N)，以种子点序号从小到大的顺序排列udi，得到表征每 个样本各尺度上局部点面距离大小的行向量Ud = [udi，i = 1. . . N];
[0018] (9)针对训练集每个样本，计算每一个差异区域顶点集合1(1彡q彡Μ)内所有 顶点的平均曲率均值u。, (1 < q < Μ)，以种子点序号从小到大的顺序排列u。,，得到表征每个 样本各尺度上平均曲率大小的行向量U。= [Uq，q = 1. . . M];
[0019] (10)针对训练集每个样本，将行向量Ud = [udi，i = 1. . . N]和行向量U。= [uC(1，q =1. . . Μ]合并成为得到表征每个样本所有尺度上形状特征大小的行向量U = [udi, u。」，i =1. . . Ν，q = 1. . . Μ,将样本集内所有样本的行向量U构成每行元素个数为Ν+Μ的特征矩 阵T;
[0020] (11)对特征矩阵Τ进行归一化，并使用主分量分析进行降维处理，选取每一行的 前Κ个元素 ，Κ < Ν+Μ，构成训练集的降维特征矩阵f ;
[0021] (12)对测试集的所有样本采用与步骤（6)到步骤（11)相同的方法，计算测试集的 降维特征矩阵. ?
[0022] (13)将训练集的降维特征矩阵f和各样本的分组类别输入支撑向量机完成分类 器的训练，输出经过训练得到的分类器的各项系数；
[0023] (14)为了测试分类器的性能，将测试集的降维特征矩阵L输入相应的分类器，并 将分类器输出结果与样本相应的分类组别相比较，输出分类的准确率、敏感性和特异性的 数值。
[0024] 进一步地，所述步骤（3)中用集合Ep内的所有顶点构造得到一个平面fp，按如下 步骤进行：
[0025] (3a)设平面fp的方程为z = adX+aj+a；^，其中aQ，a2为平面待定系数，aQ为X 的待定系数，％为y的待定系数，a2为常数项的待定系数，X，y为自变量，z为因变量；
[0026] (3b)为确定平面待定系数&(|，&1，a2，构造集合E p内的所有顶点到平面fp的偏移平 方和函数
[0027]
【权利要求】
1. 一种基于多尺度网格曲面形状特征的阿尔茨海默病脑皮层自动分类方法，其特征在 于，包括如下步骤： (1) 按临床医学诊断标准，分别采集正常人对照组（NC)和阿尔茨海默病组（AD)的大脑 磁共振图像，两组样本的数目相等或接近，并从两组样本中等比例地选择一部分样本用作 训练集，剩余的作为测试集； (2) 针对所有样本的大脑核磁共振图像，经过图像强度矫正、配准至标准脑、灰质/白 质/脑脊液分割、脑皮层表面提取与配准、顶点采样等过程得到各样本脑皮层的各尺度三 角网格曲面Gj (1 < j < L)，j称为网格曲面Gj的尺度，且为最精细网格曲面，Gu为最粗 糙网格曲面； (3) 记第j级三角网格曲面6」中任意顶点为p，定义顶点p的1-环邻域内的顶点构成 的集合为Ep，并用集合E p内的所有顶点构造一个平面fp，记顶点p到该平面fp的距离为顶 点P的局部点面距尚d p ; (4) 计算各尺度网格上顶点p的局部点面距离dp和该顶点的平均曲率cp，并用半高全 宽半径为10毫米的扩散核函数对d p和cp分别进行平滑，得到平滑后的局部点面距离dp和 平均曲率c' p; (5) 结合样本人口学信息，建立关于观测值与性别、年龄和分组类别的多元线性回归模 型，以各尺度网格上顶点的局部点面距离d' p为观测值，通过双样本T检验对AD和NC两 组的训练集进行组间比较，得到局部点面距离意义下各尺度网格上顶点的统计学差异显著 性水平值；以各尺度网格上顶点的平均曲率c' p为观测值，通过双样本T检验对AD和NC 两组的训练集进行组间比较，得到平均曲率意义下各尺度网格上顶点的统计学差异显著性 水平值； (6) 针对训练集样本，以各尺度网格上顶点的统计学差异显著性水平值为标准，初步筛 选出局部点面距离意义下的种子点pdi，i为筛选出的第i个种子点，1 < i <队，队为符合 初步筛选条件的所有尺度上种子点的总个数，d表示以局部点面距离为指标；初步筛选出 平均曲率意义下的种子点P。,，q为筛选出的第q个种子点，1 < q < My M。为符合初步筛选 条件的所有尺度上种子点的总个数，c表示以平均曲率为指标； (7) 针对训练集样本，对每个初步筛选出的种子点pdi进行区域生长，得到每个种子点 对应的差异区域顶点集合J di，其中1彡i彡N，N是经过二次筛选后的局部点面距离意义下 的所有尺度上种子点的总个数；对每个初步筛选出的种子点P。,进行区域生长得到每个种 子点对应的差异区域顶点集合J。,，其中1 < q<M，M是经过二次筛选后的平均曲率意义下 的所有尺度上种子点的总个数； (8) 针对训练集每个样本，计算各个差异区域顶点集合Jdi(l < i < N)内所有顶点的 局部点面距离均值udi (1彡i彡N)，以种子点序号从小到大的顺序排列udi，得到表征每个样 本所有尺度上局部点面距离大小的行向量U d = [udi，i = 1. . . N]; (9) 针对训练集每个样本，计算每一个差异区域顶点集合< q<M)内所有顶点 的平均曲率均值u。, (1 < q < M)，以种子点序号从小到大的顺序排列μ。,，得到表征每个样 本所有尺度上平均曲率大小的行向量U。= [Uq, q = 1. . . Μ]; (10) 针对训练集每个样本，将行向量Ud = [udi，i = 1. . .N]和行向量U。= [、，q = 1. . . M]合并成为得到表征每个样本所有尺度上形状特征大小的行向量U = [udi, u。」，i =
1. . . N，q = 1. . . M，将训练集所有样本行向量U构成每行元素个数为N+M的训练集特征矩阵 T ； (11) 对训练集特征矩阵T进行归一化，并使用主分量分析进行降维处理，选取每一行 的前K个元素 ，K < N+M，构成训练集的降维特征矩阵f ; (12) 对测试集所有样本采用与步骤（6)到步骤（11)相同的方法，计算测试集的降维特 征矩阵. 9 (13) 将训练集的降维特征矩阵f和各样本的分组类别输入支撑向量机完成分类器的 训练，输出经过训练得到的分类器的各项系数； (14) 为了测试分类器的性能，将测试集的降维特征矩阵iL,输入相应的分类器，并将分 类器输出结果与样本相应的分类组别相比较，输出分类的准确率、敏感性和特异性的数值。
2.根据权利要求1所述的一种基于多尺度网格曲面形状特征的阿尔茨海默病脑皮层 自动分类方法，其特征在于，其中所述步骤（3)中用集合Ep内的所有顶点构造得到一个平 面&，按如下步骤进行： (3a)设平面fp的方程为z = adX+aj+a；^，其中aQ，ap a2为平面待定系数，aQ为X的待 定系数，％为y的待定系数，a2为常数项的待定系数，X，y为自变量，z为因变量； (3b)为确定平面待定系数％，&1，a2，构造集合Ep内的所有顶点到平面f p的偏移平方和 函数S :
其中（XpypzD为集合Ep中第i个顶点的坐标，i = 1，2. . .n，n为集合Ep中顶点的个 数； (3c)根据极小值的判定方法，利用函数S分别对平面待定系数％，％，a2求偏导，得到 如下方程组：
其中，（Xi，yi，Zi)为集合Ep中第i个顶点的坐标，i = 1，2. . . η ; (3d)解上面的方程组得到平面待定系数％，ai，a2为：
其中[·Γ表示矩阵[·]的逆阵； (3e)将平面待定系数％，ai，a2代入平面fp的方程ζ中，即得到了所要构造的平面f p， 此时集合Ep内的所有顶点到平面fp的偏移平方和函数S为极小值。
3. 根据权利要求1所述的一种基于多尺度网格曲面形状特征的阿尔茨海默病脑皮层 自动分类方法，其特征在于，其中步骤（5)所述建立多元线性回归模型如下： Y ~ b〇+b1A+b2S+b3P 3) 其中，Y为观测值，在本发明中具体指各顶点处的局部点面距离或平均曲率，A是每个 样本对应的年龄，S是每个样本对应的性别，P是每个样本对应组别（即AD或NC)，Iv bp b2,b3是待定系数。
4. 根据权利要求1所述的一种基于多尺度网格曲面形状特征的阿尔茨海默病脑皮层 自动分类方法，其特征在于，其中步骤（6)所述的初步筛选，通过如下方法进行： (6a)把各尺度上所选观测值意义下存在显著差异的簇包含的所有顶点，将其对应到解 剖结构模板上，得到各尺度上具有显著差异的解剖学结构； (6b)针对各尺度上所选观测值意义下每一个具有显著差异解剖学结构内所有顶点，检 测该解剖学结构的显著性水平值的极小值，每个极小值顶点被筛选作该尺度上所选观测值 意义下的一个种子点。
5. 根据权利要求1所述的一种基于多尺度网格曲面形状特征的阿尔茨海默病脑皮层 自动分类方法，其特征在于，其中步骤（7)所述的区域生长，通过如下方法进行： (7a)设定阈值ξ，0< ξ <0.25,将种子点所在尺度的脑皮层网格曲面所有顶点的 显著性水平值从小到大排列，选择前％X ξ个顶点的平均显著性水平值作为该尺度上种 子点区域生长的阈值S，其中j为种子点所在尺度，％为j尺度上网格曲面Gj的顶点数， 1 ^ j ^ L ； (7b)从每个种子点开始，在该种子点所在尺度的网格曲面上逐渐向外围扩展，并依次 累加扩展过程中碰到的顶点的显著性水平值，直到累加值达到阈值S或扩散到其它解剖 结构时停止，此时扩展过程涉及到的顶点的集合即为该种子点对应的差异区域顶点集合。
6. 根据权利要求1所述的一种基于多尺度网格曲面形状特征的阿尔茨海默病脑皮层 自动分类方法，其特征在于，其中步骤（7)所述的二次筛选，通过如下方法进行： 若种子点经过步骤（7)所述的区域生长以后，得到对应的差异区域顶点集合中顶点的 个数小于该种子点所在尺度上相应解剖结构内的总顶点数的5%，则舍弃该种子点，同时也 舍弃其生长的区域顶点集合。
【文档编号】G06F19/00GK104102839SQ201410334011
【公开日】2014年10月15日 申请日期:2014年7月11日 优先权日:2013年11月16日
【发明者】闫允一, 刘汝翠, 何玉杰, 郭宝龙, 孟繁杰 申请人:西安电子科技大学