本发明涉及医学图像处理领域，具体涉及一种基于分层集成学习的阿尔茨海默症分类方法。
背景技术：
阿尔茨海默病(ad)是一种严重的不可逆转的脑退行性疾病，据预测，到2050年，预计全球范围内阿尔茨海默病患者的人数将超过1.068亿。减轻患者和社会的负担，对阿尔茨海默病的早期诊断和治疗具有重要意义。近年来，基于神经影像学的阿尔茨海默病诊断，如磁共振成像(mri)，由于神经影像学可以提供病变及其进展的可见表现，引起了人们的广泛关注。因此，利用神经影像对阿尔茨海默病的计算机辅助诊断进行了广泛的研究，取得了显著的效果。
一般来说，关于这一主题的传统方法可以归纳为两个关键步骤，即，特征提取与建模(分类)。前者侧重于设计有效的神经图像表征，如hog；后者试图对提取的特征进行尽可能精确的分类，而用于此目的的典型分类器包括随机森林、支持向量机(svm)。然而，由于传统的特征是手工设计的，很难与分类器一起进行优化，这必然会导致现实应用中的性能差距。该问题的一个潜在解决方案是基于深度学习(deeplearning,dl)的方法，它可以将上述两个步骤统一为一个完整的深度神经网络(deepneuralnetwork,dnn)，并以端到端的方式对网络进行训练。最近的研究表明，与传统方法相比，基于dl的方法在相关任务中具有优越的性能。
然而，由于以下原因，将dl技术应用到阿尔茨海默病分类中并不是那么简单:首先，大多数深度学习网络被建议用于处理自然图像，通常包含丰富而锐利的纹理；其次，神经图像的体积要大得多，例如adni数据集1的mri图像最多可以包含192片，而自然图像只有rgb通道；最后但并非最不重要的是，训练深度学习网络需要大量的神经图像，其计算成本也很昂贵。
技术实现要素：
本发明的目的在于克服现有技术的不足,而提供一种基于分层集成学习的阿尔茨海默症分类方法，该方法分类稳定，分类效率高，分类方法通用性和灵活性好。
实现本发明目的的技术方案是：
一种基于分层集成学习的阿尔茨海默症分类方法，包括如下步骤：
s1、获取阿尔茨海默症的核磁共振图像；
s2、对步骤s1获得的核磁共振图像进行预处理；
s3、将预处理之后的图像，以切片为单位输入基于分层集成学习的模型中，采用预先训练好的深层神经网络(dnn)提取特征矩阵，将提取的特征矩阵输入到分类器中进行分类，得到切片级别的粗预测结果；
s4、将步骤s3得到的粗预测结果进行集成，再次经分类器分类，得到切片的细分类预测结果；
s5、将步骤s4得到的细分类预测结果进行集成，再次进行经分类器进行分类预测，得到病人级别的阿尔茨海默症的最终分类结果。
步骤s2中，所述的预处理，是利用spm12将阿尔茨海默症病人的核磁共振图像的切片进行预处理，将nii格式的图像进行头部校正--时间层校正--配准--分割，最终经过分割得到脑灰质、脑白质、脑脊液、颅骨分离。
步骤s3中，所述的基于分层集成学习的模型包括三层，第一层采用m个特征，并为每个特征训练一个分类器，给定一个切片，生成一个中间概率特征向量y∈[0，,1]1×|c|×m,其元素yc,m表示切片由分类器m预测的属于c类的概率；第二层进行“分类器智能集成”，以粗预测y为输入，输出一个精细化的预测，记为z∈[0,1]1×c；第三层将所有的n个精细预测结果连接起来得z1，,...,zn，再一次用它作为特征来预测最终结果。
步骤s3中，所述的采用预先训练好的深层神经网络(dnn)提取特征矩阵，具体是将分割得到的脑灰质切片，输入到预先训练好的vgg19、alexnet网络中进行特征提取，每张切片得到1x4096维的特征矩阵。
步骤s3中，所述的分类器，为支持向量机(svm)和极限学习机(elm)分类器。
有益效果：本发明提供的一种基于分层集成学习的阿尔茨海默症分类方法，该方法具有如下优点：
(1)直接采用预先训练好的深度学习学习网络的内部输出作为特征，可以消除训练深度学习学习网络的计算成本；
(2)考虑到预先训练的神经网络对于处理mri图像不是最优的，将多个预先训练的神经网络处理mri图像得到的结果结合起来以提高特征表示的鲁棒性；将所有切片的结果进行合并得到hel的最终预测结果，不需要手动选择最优切片，使得分类方法对异常值具有鲁棒性；
(3)针对每个特征类型训练一个分类器，以减少“维数诅咒”的影响，集成学习是在语义层面(分类结果)进行的，从而赋予选择各种特征和分类器的灵活性。
附图说明
图1为本发明的一种基于分层集成学习的阿尔茨海默症分类方法的流程图；
图2为图像预处理spm12的操作界面的示意图；
图3为实施例中核磁共振图像预处理之前的核磁共振图像的切片，从左到右依次是同一个核磁共振图像(mri)冠状位、矢状位、横断面三个方位的切片图像；
图4是预处理之后的与图3对应的核磁共振图像的脑灰质切片图像。
具体实施方式
下面结合附图和实施例对本发明做进一步阐述，但不是对本发明的限定。
实施例：
如图1所示，一种基于分层集成学习的阿尔茨海默症分类方法，包括如下步骤：
s1、获取阿尔茨海默症的核磁共振图像，具体是选取155组数据集，其中阿尔茨海默症患者ad为50组，轻度认知障碍组患者mci为55组，健康者nc为50组；
s2、利用spm12对步骤s1获得的核磁共振图像进行预处理，spm12的操作界面如图2所示，操作流程为：将nii格式的图像进行头部校正--时间层校正--配准--分割，最终经过分割得到了脑灰质、脑白质、脑脊液、颅骨分离；得到的预处理效果图，如图3所示，是预处理之前的核磁共振图像的切片，从左到右依次是同一个核磁共振图像(mri)冠状位、矢状位、横断面三个方位的切片图像，图4是预处理之后的与图3对应的核磁共振图像的脑灰质切片图像，预处理之后每个患者的切片数量n为28，则数据集的切片总量l为4340张；
s3、将预处理之后的脑灰质切片图像，以切片为单位输入到基于分层集成学习的模型中，采用输入到预先训练好的vgg19、alexnet网络中提取特征矩阵，每张切片得到1x4096维的特征矩阵，将这两个网络中的‘fc7’层作为输出，作为每张切片提取出的特征矩阵，图1中的m＝2，即每张切片得到2x4096维的两个不同的特征矩阵；将提取的特征矩阵输入到支持向量机(svm)和极限学习机(elm)分类器中进行分类，得到切片级别的粗预测结果；
s4、将步骤s3得到的粗预测结果进行集成，再次经分类器分类，得到切片的细分类预测结果；
s5、将步骤s4得到的细分类预测结果进行集成，再次进行经分类器进行分类预测，得到病人级别的病人级别的阿尔茨海默症的最终分类结果。
步骤s3中，所述的基于分层集成学习的框架包括三层，第一层采用m个特征，并为每个特征训练一个分类器，给定一个切片，生成一个中间概率特征向量y∈[0，,1]1×|c|×m,其元素yc,m表示切片由分类器m预测的属于c类的概率；第二层进行“分类器智能集成”，以粗预测y为输入，输出一个精细化的预测，记为z∈[0,1]1×|c|；第三层将所有的n个精细预测结果连接起来得z1，,...,zn，再一次用它作为特征来预测最终结果。
步骤s2中，l表示一组核磁共振图像,c＝{c1,c2,c3}类标签的设置分别对应于nc,mci和ad组，学习一个函数f:l→c，类似的最新方法,f的实现可以进一步分为学习|c|＝3“1-vs-rest”二元分类器,即f(l)＝max(f1(l),...,f|c|(l)),这里fc(l)表示图像l属于第c类的可能性，c＝1,...,|c|，在不失一般性的前提下，本文的其余部分将着重于f的实现，为了表达的清晰，我们将省略索引c。
步骤s2、s3中，在分层集成学习的模型中，不对分类器施加任何限制，为模型提供了使用任何可用分类器的灵活性，事实上，不仅分类器，而且两个集成部分都可以通过相同的方法实现，为了证明这一点，只是考虑线性模型(逻辑回归)，f(x)＝w·x,并了解f(x)通过最小化以下损失函数：
其中t表示训练图像的数量,训练图像来自数据集，ri是辅助标签，假设正在使用第c个二元分类器训练，如果第i个训练切片属于c类,ri＝1；否则ri＝-1；显然，如果w·xi的符号与ri相同，则上述方程的左边项会很小。正确的术语是正则化，以防止过度拟合，上述损失函数是一个常见的优化问题，我们直接使用liblinear包来求解，通过将上述方程式中的x替换为y和z，可以实现两个集成学习步骤。这样，分层集成学习的整个训练过程就很容易完成了。
上述实施例工作过程：
图像数据集是从adni数据集中采集，adni数据集包含50/55/50个nc/mci/ad受试者，每张图像的切片数量n被设置为28，则图像数据集总共有4340个切片，为了避免评估的偏差，对随机打乱的图像进行了10次实验，并报告了平均结果。训练与测试图像(受试者)的比率为3：7，使用平均准确度作为评价指标。