基于改进的监督局部线性嵌入的早期阿尔茨海默病分类方法与流程

本发明涉及图像处理和模式识别与机器学习技术领域，特别是涉及一种基于改进的监督局部线性嵌入的早期阿尔茨海默病分类方法。

背景技术

基于局部线性嵌入的早期阿尔茨海默病早期分类(xinliu,duygutosun.locallylinearembedding(lle)formribasedalzheimer'sdiseaseclassification[j].neuroimage83(2013)148–157)：

设表示包含n个样本，xi表示第i个样本。

lle首先通过欧氏距离矩阵找到每个样本的k个近邻点，而后求解下面问题获得局部重建权值矩阵w：

其中，wij表示xi与xij两样本点间的权值关系，当xi与xij不是近邻点时，有wij＝0；w是由wij构成的权值矩阵，表示近邻点对重构样本点做出的贡献，且满足归一化约束然后lle通过求解下面的问题获得低维映射y的求解。

上式的求解需要满足平移不变性质，同时要避免平凡最优解的产生，可以简化成：

φ(y)＝argmin(yny^t)

其中，n＝(i-w)^t(i-w)。所需要求解的低维映射y实际是n中第2个到m+1个最小特征值对应的特征向量，此时除去了n的第一个零特征值。

基于局部线性嵌入的早期阿尔茨海默病分类研究的不足、改进点：

局部线性嵌入方法存在三个问题：(a)计算的距离矩阵是高维空间的欧氏距离，并不正确反映高维数据的真实距离；(b)计算距离矩阵时没有充分利用样本的标签信息，识别效果通常低于有监督的方法；(c)lle算法对近邻点k的取值极为敏感。

因此亟需提供一种基于改进的监督局部线性嵌入的早期阿尔茨海默病分类方法来解决上述问题。

技术实现要素：

本发明所要解决的技术问题是提供一种基于改进的监督局部线性嵌入的早期阿尔茨海默病分类方法，不仅考虑到数据分布呈非线性的特点，充分利用了样本的标签信息，同时可以减少对近邻点的敏感度，其分类精度具有一定的提高。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于改进的监督局部线性嵌入的早期阿尔茨海默病分类方法，包括以下步骤：

s1：将采集的结构核磁共振图像进行预处理；

s2：相关特征的选取：根据脑区各功能的划分和统计分析技术提取包含脑感兴趣灰质体积和脑区平均皮层厚度这两组特征的全脑结构形态变化特征，结合从数据集中获取非成像的脑脊液csf生物标记物数据，得到原始的高维特征数据xi表示第i个样本；

s3：高维空间特征的降维：

s3.1：计算出高维空间特征的样本矩阵x中每两个样本点的测地距离，得到距离矩阵g；

s3.2：通过样本标签信息，添加距离修正项来增大异类邻近样本点的距离，得到修正后的距离矩阵g′，进而找到每个样本点的初始k个近邻点；

s3.3：分别计算每个样本点到k个近邻点间距离的平均值，从而得到新的距离矩阵g″，再根据这一新距离矩阵找出样本的最终k个近邻点；

s3.4：用最终局部近邻点线性表示样本来拟合全局的非线性，得到局部重建权值矩阵w；

s3.5：在求出局部重建权值矩阵w后，把高维空间的样本点映射到低维平面，提取更具有鉴别信息的低维映射特征y；

s4：分类：将降维后的特征作为支持向量机分类器的输入，得到最终的分类精度。

在本发明一个较佳实施例中，步骤s1的具体步骤包括：

s1.1：图像校正和联合配准：在导入图像之后，将图像与模板图像进行刚体配准，去除各脑的方位差异性；

s1.2：颅骨剥离和小脑剔除：将与研究无关的颅骨和小脑的结构去除；

s1.3：脑组织分割：将去除颅骨和小脑后的脑组织进行分割，得到灰质、白质、脑脊液的图像。

在本发明一个较佳实施例中，步骤s3.1中，所述距离矩阵g是通过计算x任意两个列向量间的测地距离，其中gij表示高维数据x第i列和第j列的距离，gii＝0。

在本发明一个较佳实施例中，步骤s3.2中，所述修正距离矩阵g′是通过在距离矩阵g的基础上，添加距离修正项δ和修正参数α如式(1)计算：

g′＝g+αmax(g)δ(1)

其中，距离修正项δ用于区分样本点之间的异同性，xij表示xi的第j个近邻点，若xi和xij异类，则δij＝1；如果是同类，则δij＝0；α取值范围为[0,1]，根据式(1)可以求得样本的初始k个近邻点。

在本发明一个较佳实施例中，步骤s3.3中，通过如下公式(2)计算出新的距离矩阵来得到最终的近邻点：

其中，m(i)表示xi到它的k个近邻点间距离的平均值，m(j)表示xj到其近邻点的距离平均值：

在本发明一个较佳实施例中，步骤s3.4中，对每个样本点用其k个近邻点进行局部线性表示，即可求出局部重建权值矩阵w:

其中，wij表示xi与xij两样本点间的权值关系，当xi与xij不是近邻点时，有wij＝0；w是由wij构成的权值矩阵，表示近邻点对重构样本点做出的贡献，且满足归一化约束

在本发明一个较佳实施例中，步骤s3.5中，在低维空间中保持每个邻域中的权值不变，利用损失函数如式(5)求解低维映射y：

对式(5)求最优解，即求特征值和特征向量，其约束条件具体如下式：

∑iyi＝0(6)

其中，是单位矩阵。

进一步的，求解低维映射y如下式(8)：

式中，n＝(i-w)^t(i-w)。对式(8)求最优解y，即求解特征值和特征向量。

本发明的有益效果是：本发明提供基于改进的监督局部线性嵌入的早期阿尔茨海默病分类方法，可以在样本量较少的情况下，利用测地距离的局部均化来减小对近邻点的依赖，并利用样本的标签信息，来更有效地提高识别结果。

附图说明

图1是本发明基于改进的监督局部线性嵌入的早期阿尔茨海默病分类方法的流程图；

图2是所述分类方法中步骤s3的流程图；

图3是将阿尔茨海默病的不同阶段进行二分类的6组实验的准确率结果比较图。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

请参阅图1和图2，本发明实施例包括：

在alzheimer'sdiseaseneuroimaginginitiative(adni)数据库中(http://adni.loni.ucla.edu/)采集部分数据集做实验，验证基于改进的监督局部线性嵌入的早期阿尔茨海默病分类方法的有效性。

一种基于改进的监督局部线性嵌入的早期阿尔茨海默病分类方法，包括以下步骤：

s1：将获取包含正常老化(cn)、早期阿尔茨海默病(包含稳定型轻度认知障碍(smci)和遗忘型轻度认知障碍(amci)两个阶段)及阿尔茨海默病(ad)四个不同阶段的结构核磁共振图像，进行图像校正、标准化、颅骨剥离和脑组织分割等过程，具体实现步骤如下：

s1.1：图像校正和联合配准：在导入图像之后，将图像与模板图像进行刚体配准，去除各脑的方位差异性；

s1.2：颅骨剥离和小脑剔除：将与研究无关的颅骨和小脑的结构去除；

s1.3：脑组织分割：将去除颅骨和小脑后的脑组织进行分割，得到灰质、白质、脑脊液的图像。

s2：根据脑区各功能的划分和统计分析技术提取出94个全脑感兴趣灰质体积和68个脑区平均皮层厚度，结合csf数据作为原始高维特征；

s3：高维空间特征的降维：

s3.1：计算出高维空间特征的样本矩阵x中每两个样本点的测地距离，得到距离矩阵g；

s3.2：通过样本标签信息，添加距离修正项来增大异类邻近样本点的距离，得到修正后的距离矩阵g′，距离修正项δ用于区分样本点之间的异同性，xij表示xi的第j个近邻点，若xi和xij异类，则δij＝1；如果是同类，则δij＝0；α取值范围为[0,1]，用来调节修正距离的程度，进而找到每个样本点的初始k个近邻点：

g′＝g+αmax(g)δ

所述样本标签信息指阿尔茨海默病的不同阶段，例如：正常老人类别为1，smci患者类别为2，amci类别为3，ad患者为4。

s3.3：分别计算每个样本点到k个近邻点间距离的平均值，用m(i)与m(j)分别表示xi到它的k个近邻点间距离的平均值和xj到其近邻点的距离平均值：

s3.4：计算得到新的距离矩阵g″，再根据这一新距离矩阵找出样本的最终k个近邻点：

用局部近邻点线性表示样本来拟合全局的非线性，得到局部重建权值矩阵w，wij表示xi与xij两样本点间的权值关系，当xi与xij不是近邻点时，有wij＝0；w是由wij构成的权值矩阵，表示近邻点对重构样本点做出的贡献，且满足归一化约束可以通过拉格朗日乘数法来求解式中的局部重建权值矩阵w：

s3.5：把高维空间的样本点映射到低维平面，提取更具有鉴别信息的低维映射特征y：

求上式最优解，则需要满足平移不变这一性质，同时要避免平凡最优解的产生，其约束条件具体如下式，其中，是单位矩阵：

∑iyi＝0

因此，求解y可以简化成如下式所示：

式中，n＝(i-w)^t(i-w)。对上式求最优解y，本质上就是求解特征值和特征向量的问题。而所需要求解的低维映射y实际是n中第2个到m+1个最小特征值对应的特征向量，此时除去了n的第一个零特征值。

s4：将以上得到的低维空间的样本点采用支持向量机进行分类，进而得到最终的分类准确度、灵敏性和特异性等值。

实验选用了223个受试者，采用t1加权mri成像系统三维磁化准备快速梯度回波成像(mp-rage)序列(te＝3.92ms，tr＝8.99ms，反转角＝8°，标称分辨＝0.94×0.94×1.2mm)，其被试者具体统计学特征描述见表1。

表1

在6组不同阶段的二分类实验中，我们采用十次十折交叉法，每次选择样本量的十分之一作为待分类样本，其余样本为训练样本，进行10次随机测试，实验中涉及的参数是通过找多次交叉验证中的最优。

图3和表2显示了局部线性嵌入(即图表中的lle方法)和基于改进的监督局部线性嵌入的早期阿尔茨海默病分类方法(即图表中的smlle方法)10次十折交叉验证结果的平均值。在图3中，横坐标是6组不同阶段的二分类组别，纵坐标为准确率。表2给出了6组数据的两个方法交叉验证的准确率、灵敏度、特异性和auc结果。与局部线性嵌入算法相比，基于改进的监督局部线性嵌入的早期阿尔茨海默病分类准确率有明显提高。这验证了基于改进的监督局部线性嵌入的早期阿尔茨海默病分类研究的有效性。

表2

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。