本申请具备的有益效果在于：
[0067]⑴在本申请的【具体实施方式】中，在提取第一类MRI图像集和第二类MRI图像集中， 采用Nystrom算法对相似度矩阵进行近似，大大减少了计算量；
[0068]⑵在本申请的【具体实施方式】中，在对待分类MRI图像进行分类时，利用Nystrom算 法求得欧几里得空间的映射坐标，进一步减少了计算量。
【附图说明】
[0069] 图1为根据本申请方法一个实施例的流程图；
[0070] 图2为根据本申请装置一个实施例的结构示意图。
【具体实施方式】
[0071] 下面通过【具体实施方式】结合附图对本申请作进一步详细说明。
[0072] 基于模板的算法往往会使结果受到模板空间选择和建立好坏的影响，增加了结果 的不稳定性。遍历式算法能大大提高图像信息的利用率并提高判别的准确率，然而，当用于 分类训练的数据库数据量很大时，相较于模板算法，遍历法的计算量将显著增加。为此本申 请将引入Nystrom算法，只需计算训练库的一个子集的相似度矩阵，即可对整个训练库所有 个体进行估计和有效的分类，从而建立预测判决模型。
[0073] 图1示出根据本申请方法一个实施例的流程图，包括：
[0074]步骤102:获取第一类MRI图像集和第二类MRI图像集。
[0075] 一种实施方式，设一组已知分类结果的个体的MR图像为1 = {仏，仏，...，'，八!， A2,. . .，An}，其中{见，犯，...，Nm}为第一类MRI图像集，其为正常人群图像，例如老年人群的 图像；{A^A^ . . .，An}为第二类MRI图像集，可为某种病症的人群图像，例如阿尔茨海默病高 危个体或患者。待分类个体的MR图像定义为M。
[0076] 步骤104:提取第一类MRI图像集和第二类MRI图像集的相似度信息。
[0077] 一种实施方式，对I = {Ni，N2, . . .，Nm，Ai，A2, . . .，An}数据集中每幅图像进行位置校 正、偏移场校正。从从训练数据库I中随机选取P个第一类MRI图像集个体和q个第二类MRI图 像集个体(P+q〈〈m+n)，组成训练子库Γ = {Νι，Ν2, · · ·，Np，Ai，A2, · · ·，Aq} = {Ii，l2, · · ·，IP+q}。 对I '中的每一对MR I图像{ I i，I j}，i，j e 1，. . .，p + q，用任意微分同胚配准算法 (diffeomorphic registration)求得形变场 Φ ij和 Φ ji，满足Ij = Ii〇 Φ ij，Ii = Ij〇 Φ ji，其中 "〇"为根据形变场对图像进行翘曲（warping)，图像L·，I」的非相似度可由基于Φ ^，Φ #计算 的黎曼距离定义：
[0079]其中distdi，〗」)表示图像Ii和Ij间的非相似度，d(Ii，Ij)表示图像Ii和Ij间的黎曼 距离，Id表示单位变换。
[0080]计算Γ的相似度矩阵：
[0082] 步骤106:使用Nystrom算法和投影算法，计算第一类MRI图像集和第二类MRI图像 集中个体的欧几里得坐标。
[0083] 一种实施方式，将训练数据库中剩余个体Γ = {ΝΡ+1，ΝΡ+2, . . .，Nm，Aq+1，Aq+2, . . .，An} ={IP+q+1，IP+q+2，. ..，Im+n}，其中I = Γ U Γ，将Γ中的MRI图像配准到Γ中的个体空间，每对 图像配准的形变场如步骤104描述量化，可得数据集I的相似度矩阵：
[0085]其中 Sij = Sji，i, je{l, · · ·，m+n}<^sub 为（p+q)X(p+q)矩阵，可对角化为 |sub = UA UT;设沒为ξ的近似特征向量，根据Nystrom算法可
，ξ可近似计算为：
[0087] 定义，Cpart，CpartT每行的和向量为：
可特征分解为f y -，第一类MRI
图像集和第二类MRI图像集个体的投影坐标为 中dim取整数，为人为设置的投影空间维度。
[0092]步骤108:利用相似度信息和欧几里得坐标对第一类MRI图像集和第二类MRI图像 集进行分类训练，获得判决标准。
[0093] -种实施方式，可使用任意有监督的模式分类算法对图像进行分类，训练分类器， 找到最优判决标准。
[0094] 步骤110:提取待分类MRI图像集的图像特征，根据判决标准进行图像分类。
[0095] -种实施方式，对于待分类MRI图像集Μ配准到所述Γ的个体上，利用Nystrom算法 和投影算法获得Μ个体在欧几里得空间的映射坐标。
[0096] 将Μ配准到训练子库所述I'的每个个体上，量化形变场，可得相似度向量|new =
[Sl，new S2，new · · · S (p+q)，new]，€new 的向里_矛口犬JCnew，可"丫守至?| :
[0100] 投影映射可得特征向量，M的个体坐标为=(?：,<?7_.σ')。
[0101] 在已建立的投影坐标空间，根据训练好的分类器，对新个体进行分类，得到图像 分类结果。
[0102] 本申请将已知分类结果的第一类MRI图像集个体和第二类MRI图像集个体的结构 MRI图像进行两两配准，对其形变场进行量化作为图像间相似度的描述，再利用投影算法求 得每个个体映射到欧几里得空间的坐标，并利用有监督的分类算法建立诊断和预测判决模 型。其中为减少计算量，使用了 Nystrom算法对相似度矩阵进行近似，只需将所有已知个体 配准到选取的子集个体上，即可完全估计出所有个体的投影坐标。假设已知诊断结果个体 的数量为N，选择的子集个体数量为η，n〈〈N，利用Nystrom算法将使计算量从N*(N-1)下降为 N*n〇
[0103]当对新的待分类个体进行归类时，将其配准到已知个体的训练子集，利用Nystrom 算法和投影算法的扩展算法求得新个体在欧几里得空间的映射坐标，并使用训练好的判决 模型对其分类鉴别。此处计算量也从N下降到η。
[0104]图2示出根据本申请装置一个实施例的结构示意图，包括:获取模块、提取模块、计 算模块、标准模块和分类模块。
[0105] 获取模块用于获取第一类MRI图像集和第二类MRI图像集。
[0106] 提取模块，用于提取所述第一类MRI图像集和第二类MRI图像集的相似度信息。一 种实施方式，还用于对1= {见，吣，...，仏，^，知，...，An}数据集中每幅图像进行位置校正、 偏移场校正，其中{H . . .，Nm}为第一类MRI图像集，仏，知，...，An}为第二类MRI图像集。
[0107] 从I中随机选取p个第一类MRI图像集个体和q个第二类MRI图像集个体，其中p+q〈〈 m+n，组成训练子库I ' = {Ni，N2, · · ·，Np，Ai，A2, · · ·，Aq} = {Il，l2, · · ·，Ip+q};
[0108] 对Γ中的每一对MRI图像{11山}4，拆1，...，1)切，用任意微分同胚配准算法求得 形变场Φ ij和Φ ji，满足Ij=Ii〇 Φ ij，Ii=IjO Φ ji，其中"〇"为根据形变场对图像进行翘曲，图 像Ii，Ij的非相似度：
[0110]其中distdi，〗」)表示图像Ii和Ij间的非相似度，d(Ii，Ij)表示图像Ii和Ij间的黎曼 距离，Id表示单位变换； 计算训练子库图像间的相似度矩阵：
[0111]计算模块用于使用Nystrom算法和投影算法，计算第一类MRI图像集和第二类MRI 图像集中个体的欧几里得坐标。一种实施方式，对于Γ = {NP+1，NP+2, . . .，Nm，Aq+1，Aq+2,...， An} = {IP+q+1，IP+q+2，…，Im+n}，其中I = Γ U Γ，将Γ中的MRI图像配准到Γ中的个体空间，可 得数据集I的相似度矩阵：
[0113]其中 Sij = Sji，i, je{l, · · ·，m+n}<^sub 为（p+q)X(p+q)矩阵，可对角化为 |sub = UA UT;设t/为ξ的近似特征向量，则根据Nystrom算法可
，则ξ可近似计算 为：
[0115] 定义ξ-，|part，|partT每行的和向量为：
，，可特征分解为？ = FSzr1'则第一 类MRI图像集和第二类MRI图像集个体的投影坐标为
其中dim取整数，为预先设置的投影空间维度。
[0120]标准模块，用于利用所述相似