本发明涉及医学影像处理领域，具体地说是一种基于监督图正则化和信息融合的医学图像分类方法。
背景技术：
：：1、阿尔茨海默病(alzheimer’s disease,ad)是一种起病隐匿的进行性发展的神经退行性疾病，患者早期会出现记忆力丧失和认知能力下降，随着病程发展，患者出现交流困难、迷失方向、行为失常等症状，严重者丧失说话、吞咽和行动等方面能力，最终失去生命。轻度认知障碍(mild cognitive impairment,mci)被认为是ad的前期阶段，患者出现一定程度的记忆障碍，但是认知功能基本完好。研究表明，大约32％的mci患者将在5年内转化为ad。因此，按照疾病转化机制可将mci划分为转化型mci(progressive mci,pmci)和稳定型mci(stable mci,smci)，即在随访期内转化为ad的mci为转化型mci，反之，为稳定型mci。由于ad的发展具有不可逆性，在mci患者中识别出pmci患者并向其提供针对性的治疗，对于延缓或阻止ad的发生具有关键作用。磁共振成像(magnetic resonance imaging,mri)技术的发展为ad的早期识别提供了一种有效的工具。其中，结构磁共振影像(structuralmagnetic resonance imaging,smri)凭借其高空间分辨率、高可用性、非侵入性和适中的成本，在ad诊断中应用最为广泛。许多基于smri提取的生物标志物已经成功应用于不同阶段的ad检测。2、然而，由于mci患者大脑的病理学变化并不明显，加上正常老龄化对大脑的影响和组内群体的差异性，构建高精度的分类模型区分pmci和smci仍然是一项充满挑战性的任务。基于上述难点问题，研究者们提出利用ad和正常受试者(normal control,nc)的信息辅助pmci和smci的分类。研究表明，在pmci和smci分类过程中，例如，特征提取、特征选择、分类模型构建等阶段，利用ad和nc信息能够有效地提升分类准确率。其中，借助子空间学习相关方法，利用ad和nc样本学习空间变换矩阵将pmci和smci样本变换到新的特征空间，是提取判别性特征的一种有效手段。然而，如何通过ad和nc样本有效地学习变换矩阵，使得pmci和smci样本变换到新的特征空间后更具判别性，依然是值得探索的问题。技术实现思路1、本发明为克服上述现有技术的不足，提出一种基于监督图正则化和信息融合的医学图像分类方法，用于区分pmci和smci。该方法首先基于辅助数据进行特征选择，为后续操作保留有效的原始特征。其次，提取基于监督图正则化和信息传递(supervised graphregularization and information propagation，简称sgrip)的特征，在此过程中利用辅助数据的类别标签信息自适应地优化投影空间中样本的近邻关系，使得提取的特征更具判别性。再次，将提取的sgrip特征与mini精神状态检查(mini-mental state examination,mmse)评分，以及载脂蛋白e4等位基因(apolipoprotein e4,apoe 4)融合，丰富了特征的多样性。最后，构建基于线性核函数的svm分类模型。本发明方法显著提高了pmci患者和smci患者的分类准确率。2、本发明的具体技术方案如下：3、一种基于监督图正则化和信息融合的医学图像分类方法，包括以下具体步骤：4、(1)对采集的mri图像进行预处理，提取形态学特征：定义阿尔茨海默病ad和正常受试者nc样本的特征矩阵为其中fi为ad或nc样本，d为特征维数，m为ad和nc样本的总数，定义是ad和nc样本的类标矩阵，由0-1编码组成，其中c＝2为类别数目，轻度认知障碍mci的特征矩阵为其中zi为转化型轻度认知障碍pmci或稳定型轻度认知障碍smci样本，d为特征维数，n为mci样本数目；5、(2)基于辅助数据的特征选择6、利用ad和nc辅助数据，选择出在ad和nc两组样本中具有显著差异的特征，并为mci样本保留这些特征，利用双样本t检验对ad和nc数据进行筛选，保留具有显著组间差异的特征，得到ad和nc样本的特征矩阵以及mci样本的特征矩阵其中，b为具有显著组间差异的特征数目，b<d；7、(3)基于监督图正则化的投影矩阵学习8、为了学习投影矩阵目标函数定义如下：9、10、其中l(u)是从特征空间到类标空间的线性回归项，其作用是保证在投影空间中样本尽可能与类标相对应，l(u)定义如下：11、12、g(u)是监督图正则化项，其作用是保证在投影空间中具有相同类别标签的样本尽可能地靠近，而具有不同类别标签的样本尽可能地远离，g(u)的具体定义如下：13、首先定义一个无向对称图g＝(v,w)，其中v表示x中的样本集合，w表示样本间的相似度矩阵，w中的每个元素wij定义为：14、15、其中nk(xj)定义为xj的k近邻，公式(3)的含义为：若xi是xj的k近邻，则xi和xj之间的相似度用高斯核函数值表示，否则，二者之间的相似度为0，假设ai＝utxi为xi在映射空间的特征，则图正则化项定义如下：16、17、其中l＝d-w是图拉普拉斯矩阵，是对角矩阵，其对角线元素为18、定义v＝(vw,vb)和w＝(ww,wb)，其中vw表示同类样本，vb表示异类样本，ww表示同类样本之间的相似度矩阵，wb表示异类样本之间的相似度矩阵，同类样本的相似度矩阵ww中的元素定义如下：19、20、其中定义为xj的同类k1近邻，公式(5)的含义为：若xi是xj的同类k1近邻，则xi和xj之间的相似度用高斯核函数值的次方表示，否则，相似度为0；21、异类样本的相似度矩阵wb中的元素定义如下：22、23、其中定义为xj的同类k2近邻，公式(6)的含义为：若xi是xj的异类k2近邻，则xi和xj之间的相似度用高斯核函数值的平方表示，否则，相似度为0；24、因此，监督图正则化项重新定义为：25、g(u)＝tr(utxlwxtu)+tr(utxlbxtu) (7)26、式中度矩阵dw和db，拉普拉斯矩阵lw和lb的计算与d和l计算方法相同，最小化公式(7)即可保证在投影空间中同类样本尽可能的靠近，异类样本尽可能的分离；27、是尺度正则化项，其作用是控制投影矩阵的规模，避免产生过拟合；基于上述定义，目标函数(1)可以具体表示为：28、29、其中，α和β为平衡参数，30、求解优化问题，得到投影矩阵u；31、(4)mci样本特征提取32、利用投影矩阵u，对mci数据进行空间变换，并基于投影空间中的特征为mci样本提取新的特征，33、定义mci在投影空间中的特征矩阵为其中zi'为投影后的pmci或smci样本，计算如下：34、z'＝utz (9)35、最后，通过自加权运算增加不同类别样本特征的差异性，为mci样本提取基于监督图正则化和信息传递(supervised graph regularization and informationpropagation，简称sgrip)的特征最终表示为计算如下：36、feamci＝|z'|×z' (10)37、其中|z'|表示矩阵z'中的所有元素取绝对值；38、(5)分类模型构建39、将提取的sgrip特征与mini精神状态检查(mini-mental state examination,mmse)评分以及载脂蛋白e4等位基因(apolipoprotein e4,apoe 4)信息结合，训练基于线性核函数的svm分类器，对pmci和smci进行分类。40、特别地，步骤(1)中图像预处理的具体方式为：采集mri图像数据，使用软件freesurferv5.3.0对图像进行预处理，之后，进行曲面膨胀和配准，测量并计算大脑皮层体积，基于半高全宽为30mm的高斯核对图像进行平滑操作，然后使用自动解剖标记aal模板，将图像分割成90个区域，去除皮层下区域，最终得到78个皮层脑区。最后，计算每个脑区的皮层体积，并将其作为样本特征。41、本发明还包括一种医学图像分类装置，该装置包括数据采集部件、存储器和处理器，其中，42、所述数据采集部件对采集的mri图像进行预处理，提取形态学特征；43、所述存储器存储有计算机程序，所述程序被处理器执行时能够实现权利要求1所述方法的步骤(2)至步骤(5)。44、本发明还包括一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1所述方法的步骤。45、本发明的有益效果是：在特征提取步骤中，利用ad和nc样本学习投影矩阵时采用监督图正则化项，基于类别信息对样本间的关系进行调整，使得在投影空间中同类样本尽可能地靠近，异类样本尽可能地远离，优化样本的局部近邻，使得投影后的两类mci样本更具区分性。提取的特征与mmse评分，以及apoe4基因信息进行融合，丰富了特征多样性。通过构建线性svm分类模型，显著提高了pmci和smci患者的分类准确率。当前第1页12当前第1页12