基于脑磁共振影像的Aβ蛋白沉积信息检测系统的制作方法

基于脑磁共振影像的Aβ蛋白沉积信息检测系统的制作方法
【技术领域】
[0001] 本发明设及到一种疾病辅助诊断系统，具体地说，是一种基于脑磁共振影像的A0 蛋白沉积信息检测系统。
【背景技术】
[0002] 阿尔茨海默病的影像学和图像特征提取研究表明，提取图像特征来表达阿尔茨海 默病的影像学特征是可行和有效的。A0蛋白沉积含量是诊断阿尔茨海默病的一个重要指 标。脑磁共振图像中灰度特征可W表达明暗等影像学特征，虽然不同序列图像灰度变化较 大，但就同一个序列产生的图像来说，灰度对比能较好的分辨A0蛋白沉积区域；形状特征 可W表达体积、厚度、形态等影像学特征；纹理特征可W表达方向、对比度、粗细、杂乱、密集 等影像学特征，图像特征可W有效表征不同成分或解剖结构的影像学特征。因此，提取脑新 皮层、白质、灰质、丘脑、海马体等相关解剖结构及纤维束的灰度特征、形状特征、纹理特征 可W将与A0蛋白沉积相关的信息充分表达出来，即有效显示A0蛋白沉积含量信息。
[0003] 然而，由于图像特征数量通常较多，会增加后续模式分类或参数反演的时间和空 间复杂度，也不利于临床应用。此外，特征间具有一定的排斥性和相关性，会影响后续处理 的精度。另外，由于待选特征较多，特征与A0蛋白沉积含量的关系未明且复杂，因此，A0 蛋白沉积分布及含量的识别分类精度不高。

【发明内容】

[0004] 针对现有技术的不足，本发明的目的是提供一种基于脑磁共振影像的A0蛋白沉 积信息检测系统，通过对脑磁共振图像进行处理，提取显示相关影像学特征，并通过特征选 择和机器学习，利用脑磁共振影像中的图像特征信息来实现定量检测A0蛋白沉积分布及 含量，识别分类精度高。
[0005] 为达到上述目的，本发明的技术方案如下：
[0006] 一种基于脑磁共振影像的A0蛋白沉积信息检测系统，设置有MRI图像采集装置、 图像预处理装置、特征提取装置W及参数反演装置；
[0007] 所述图像预处理装置中依次设置有滤波去噪装置、图像配准装置、头骨剥离装置 和组织分割装置；
[000引所述滤波去噪装置用于实现MRI图像的去噪处理；
[0009] 所述图像配准装置用于实现待测图像头部位置的调整；
[0010] 所述头骨剥离装置用于去除图像中的脑外组织；
[0011] 所述组织分割装置用于将图像中的脑组织图像分割为脑新皮层、白质、灰质、丘脑 和海马体五个解剖结构；
[0012] 所述特征提取装置用于提取最优特征子集；
[0013] 所述参数反演装置用于将所述最优特征子集反演出A0蛋白沉积含量；该参数反 演装置中固化有训练好的SVM模型，所述SVM模型是通过选择多个训练样本图像的多个特 征参数，并W每个样本图像对应PET图像的A0蛋白沉积含量为评价标准，最终训练出的最 优特征子集与A0蛋白沉积含量的映射关系。
[0014] 进一步的技术方案是，所述参数反演装置中设置有训练样本图像获取装置、训练 样本图像预处理装置、训练样本图像特征提取装置、训练样本特征选择装置、测试样本图像 获取装置、测试样本图像预处理装置、测试样本图像特征提取装置W及分类器构建装置；
[0015] 所述训练样本图像获取装置用于获取训练样本MRI图像和该MRI图像对应的PET 图像，并通过PET图像计算A0蛋白沉积含量作为分类器的评价标准；
[0016] 所述训练样本图像预处理装置与所述图像预处理装置的结构和功能相同；
[0017] 所述训练样本图像特征提取装置用于提取SVM模型所需的多个特征参数；
[0018] 所述训练样本特征选择装置用于实现多个特征参数的选择；
[0019] 所述测试样本图像获取装置用于获取测试样本MRI图像和该MRI图像对应的PET 图像，并通过PET图像计算A0蛋白沉积含量作为分类器的评价标准；
[0020] 所述测试样本图像预处理装置与所述图像预处理装置的结构和功能相同；
[0021] 所述测试样本图像特征提取装置用于提取训练样本特征选择装置所选择出的特 征参数；
[0022] 所述分类器构建装置用于构建特征参数与A0蛋白沉积含量的反演关系，该分类 器的核函数采用径向基函数，当所述测试样本的识别率达到预设目标时，最终训练出的最 优特征子集与A0蛋白沉积含量的映射关系。
[0023] 进一步的技术方案是，所述训练样本图像特征提取装置所提取的多个特征参数包 括每个解剖结构的体积、灰度分布的不均匀性、灰度平均、灰度均方差、灰度滴、信息滴、几 何矩、对比度、差分矩、自相关、梯度分布的不均匀性、梯度、梯度平均、梯度均方差、梯度滴、 逆差矩、平均弥散率和各向异性分数值。
[0024] 作为优选，所述训练样本图像特征提取装置采用链式智能体遗传算法进行特征选 择。
[0025] 本发明的显著效果是；通过智能遗传算法对SVM模型进行训练，从而得到最优特 征子集与A0蛋白沉积分布及含量的映射关系，将训练好的SVM模型固化到参数反演装置 中，从而构建出本发明所提出的基于脑磁共振影像中磯酸化tau蛋白含量信息的检测系 统，不仅具有无创、无福射、安全、自动化程度高等优点，而且还可应用于阿尔茨海默病诊断 的临床应用，可有助于提高诊断的准确性和实时性。
【附图说明】
[0026] 图1是本发明的原理结构框图。
【具体实施方式】
[0027] 下面结合附图对本发明的【具体实施方式】W及工作原理作进一步详细说明。
[002引如图1所示，一种基于脑磁共振影像的A0蛋白沉积信息检测系统，设置有MRI图 像采集装置、图像预处理装置、特征提取装置W及参数反演装置；
[0029] 所述图像预处理装置中依次设置有滤波去噪装置、图像配准装置、头骨剥离装置 和组织分割装置；
[0030] 所述滤波去噪装置用于实现MRI图像的去噪处理；
[0031] 所述图像配准装置用于实现待测图像头部位置的调整；
[0032] 由于每张图像中包括若干张人脑图像，为了使所有的图像的头部在图像中位 置和方向上达到一致，需要对图像进行配准。本发明采用基于属性向量的弹性配准 (HierarchicalAttributeMatchingMechanismforElasticRegistration，HAMMER)算 法对图像样本进行弹性配准，采用互信息值和相关系数作为弹性配准满意的评价准则。
[0033] 所述头骨剥离装置用于去除图像中的脑外组织；
[0034] 由于脑MRI图像中脑新皮层、白质、灰质、丘脑、海马体中明显存在磯酸化tau蛋 白，亮度较暗，且体积和纹理有变化，因此组织分割装置用于将图像中的脑组织图像分割 为脑新皮层、白质、灰质、丘脑和海马体五个解剖结构，具体实施时可W采用ITK程序包 (Insi曲tSegmentationandRegistrationToo化it)对W上解剖结构进行分割。
[0035] 所述特征提取装置用于提取最优特征子集；
[0036] 所述参数反演装置用于将所述最优特征子集反演出A0蛋白沉积含量；该参数反 演装置中固化有训练好的SVM模型，所述SVM模型是通过选择多个训练样本图像的多个特 征参数，并W每个样本图像对应PET图像的A0蛋白沉积含量为评价标准，最终训练出的最 优特征子集与A0蛋白沉积含量的映射关系。
[0037] 在具体实施过程中，所述参数反演装置中设置有训练样本图像获取装置、训练样 本图像预处理装置、训练样本图像特征提取装置、训练样本特征选择装置、测试样本图像获 取装置、测试样本图像预处理装置、测试样本图像特征提取装置W及分类器构建装置；
[003引所述训练样本图像获取装置用于获取训练样本MRI图像和该MRI图像对应的PET图像，并通过PET图像计算A0蛋白沉积含量作为分类器的评价标准；
[0039] 所述训练样本图像预处理装置与所述图像预处理装置的结构和功能相同；
[0040] 所述训练样本图像特征提取装置用于提取SVM模型所需的多个特征参数；
[0041] 所述训练样本特征选择装置用于实现多个特征参数的选择；
[0042] 所述测试样本图像获取装置用于获取测试样本MRI图像和该MRI图像对应的PET 图像，并通过PET图像计算A0蛋白沉积含量作为分类器的评价标准；
[0043] 所述测试样本图像预处理装置与所述图像预处理装置的结构和功能相同；
[0044] 所述测试样本图像特征提取装置用于提取训练样本特征选择装置所 选择出的特 征参数；
[0045] 所述分类器构建装置用于构建特征参数与A0蛋白沉积含量的反演关系，该分类 器的核函数采用径向基函数，当所述测试样本的识别率达到预设目标时，最终训练出的最 优特征子集与A0蛋白沉积含量的映射关系。
[0046] 所述训练样本图像特征提取装置所提取的多个特征参数包括每个解剖结构的体 积、灰度分布的不均匀性、灰度平均、灰度均方差、灰度滴、信息滴、几何矩、对比度、差分矩、 自相关、梯度分布的不均匀性、梯度、梯度平均、梯度均方差、梯度滴、逆差矩、平均弥散率和 各向异性分数值。其中，第1个特征表明A0蛋白沉积对体积的影响；第2-4个特征表明 A0蛋白沉积对亮度的影响；第6-16个特征表明A0蛋白沉积对纹理的影响，第17-18个特 征为纤维束特性。因此，同样一幅MR脑组织图像中的特征就有5X18 = 90种。将MRI图 像纹理特征记为ft0 = 1，2,P)，形状特征记为f,(i= 1，2,m)。
[0047] 在SVM模型训练过程中，可W通过合并纹理特征ftO= 1，2，P)和形状特征t(i =l，2，m)，并基于合并后的特征和SVM回归算法，建立反演模型，反演过程中将A0蛋白沉 积含量记为Count_A0，并W此为评价标准，通过反演准确性来进行特征选择，最终获得最 优特征子集，记为fj(j= 1，2,P)，反演得到最接近Count_A0的A0蛋白沉积含量Count_ A0 'W及回归模型SVM_final，优选的fj(j= 1，2，p)W及SVM_final，最后WSVM_final 作为训练好的SVM模型，通过提取其它MRI图像中的最优特征子集即可反演出该MRI图像 对应的A0蛋白沉积含量。
[0048] 在实施过程中，采集40例MR图像样本和对应的PET图像样本（正常人脑的图像 和确诊老年痴呆人脑的图像各一半），选择一幅图像作为参考图像，将其余图像向其配准； 然后通过头骨剥离，去除图像中的非脑组织；接着进行组织分割，从脑组织中分离出脑新皮 层、白质、灰质、丘脑、海马体等几部分；最后从每个组织中提取出体积、灰度分布的不均匀 性、灰度平均、灰度均方差、灰度滴、信息滴、几何矩、对比度、差分矩、自相关、梯度分布的不 均匀性、梯度、梯度平均、梯度均方差、梯度滴、逆差矩、平均弥散率和各向异性分数值等18 个特征，即每幅图包含5*18 = 90个特征。
[0049] 将MRI图像样本和对应的阳T图像样本随机分为A，B两组，每组包含20例MR图 像和对应的20例PET图像（正常人脑的图像和确诊老年痴呆人脑的图像各一半），A组用 于参数反演模型训练，B组用于对模型进行性能测试。
[0化0] 基于SVM的参数反演模型，采用A部分作为训练样本，B部分作为测试样本。通过 反演准确性来进行特征筛选，最终获得最优特征子集fj.(j= 1，2,P)，W及反演得到最接近 Count_A0的A0蛋白沉积含量Count_A0 '。特征选择采用链式智能体遗传算法，用二进 制编码表示待选特征。由于待选特征为90个，则设置遗传基因长度为90的2进制字符串， 数字为'r表示选中该特征，'〇'表示未选中，选出的特征作为分类器的输入。种群数量选 择150,迭代次数为100次，自适应交叉概率采用如下公式为：
[0化1]
[0化2] 式中，fwg表示每代种群的平均适应度，表示每代种群的最大适应度，r表示 待交叉的两个个体中较大的适应度值；初始化Pel=0. 9,P。2=0.6,交叉操作采用自适应 交叉概率的单点交叉法。
[0化3] 同理，基因变异同样采用自适应的变异概率，其计算表达式如下：
[0054]
[0055] 式中，fwg表示每代种群的平均适应度，表示表示每代种群的最大适应度，f表 示待变异个体的适应度值；初始化Pml= 0. 1，Pm2 = 0. 006,变异操作采用自适应变异概率的 二进制变异法。
[0化6] SVM核函数为径向基函数，采用5阶校验法，训练收敛准则为均方误差（Mean squarednormalizederror,MSE)。利用A部分样本数据进行测试，对SVM进行参数回归， 输入向量为图像特征值，输出为A0蛋白沉积含量标准值，均方误差满足要求停止，获取参 数矩阵，最优特征子集与A0蛋白沉积含量的映射关系。
[0057] 在训练过程中，由于待选特征较多，特征与A0蛋白沉积含量的关系未明且复杂， 因此，通过同时优化待选图像特征和SVM回归模型参数，来提高图像特征选择和获取与A0 蛋白沉积含量关系式的精度，结合链式智能体遗传算法对训练样本进行特征提取，W及采 用二进制编码与十进制编码混合编码制来表示SVM回归模型参数，保证了后续处理的精 度。
【主权项】
1. 一种基于脑磁共振影像的A0蛋白沉积信息检测系统，其特征在于：设置有MRI图 像采集装置、图像预处理装置、特征提取装置以及参数反演装置； 所述图像预处理装置中依次设置有滤波去噪装置、图像配准装置、头骨剥离装置和组 织分割装置； 所述滤波去噪装置用于实现MRI图像的去噪处理； 所述图像配准装置用于实现待测图像头部位置的调整； 所述头骨剥离装置用于去除图像中的脑外组织； 所述组织分割装置用于将图像中的脑组织图像分割为脑新皮层、白质、灰质、丘脑和海 马体五个解剖结构； 所述特征提取装置用于提取最优特征子集； 所述参数反演装置用于将所述最优特征子集反演出Af3蛋白沉积含量；该参数反演装 置中固化有训练好的SVM模型，所述SVM模型是通过选择多个训练样本图像的多个特征参 数，并以每个样本图像对应PET图像的A0蛋白沉积含量为评价标准，最终训练出的最优特 征子集与A0蛋白沉积含量的映射关系。2. 根据权利要求1所述的基于脑磁共振影像的A 0蛋白沉积信息检测系统，其特征在 于：所述参数反演装置中设置有训练样本图像获取装置、训练样本图像预处理装置、训练样 本图像特征提取装置、训练样本特征选择装置、测试样本图像获取装置、测试样本图像预处 理装置、测试样本图像特征提取装置以及分类器构建装置； 所述训练样本图像获取装置用于获取训练样本MRI图像和该MRI图像对应的PET图 像，并通过PET图像计算A0蛋白沉积含量作为分类器的评价标准； 所述训练样本图像预处理装置与所述图像预处理装置的结构和功能相同； 所述训练样本图像特征提取装置用于提取SVM模型所需的多个特征参数； 所述训练样本特征选择装置用于实现多个特征参数的选择； 所述测试样本图像获取装置用于获取测试样本MRI图像和该MRI图像对应的PET图 像，并通过PET图像计算A0蛋白沉积含量作为分类器的评价标准； 所述测试样本图像预处理装置与所述图像预处理装置的结构和功能相同； 所述测试样本图像特征提取装置用于提取训练样本特征选择装置所选择出的特征参 数； 所述分类器构建装置用于构建特征参数与A0蛋白沉积含量的反演关系，该分类器的 核函数采用径向基函数，当所述测试样本的识别率达到预设目标时，最终训练出的最优特 征子集与A0蛋白沉积含量的映射关系。3. 根据权利要求2所述的基于脑磁共振影像的A 0蛋白沉积信息检测系统，其特征在 于：所述训练样本图像特征提取装置所提取的多个特征参数包括每个解剖结构的体积、灰 度分布的不均匀性、灰度平均、灰度均方差、灰度熵、信息熵、几何矩、对比度、差分矩、自相 关、梯度分布的不均匀性、梯度、梯度平均、梯度均方差、梯度熵、逆差矩、平均弥散率和各向 异性分数值。4. 根据权利要求2所述的基于脑磁共振影像的A 0蛋白沉积信息检测系统，其特征在 于：所述训练样本图像特征提取装置采用链式智能体遗传算法进行特征选择。
【专利摘要】本发明公开了一种基于脑磁共振影像的Aβ蛋白沉积信息检测系统，设置有MRI图像采集装置、图像预处理装置、特征提取装置以及参数反演装置；所述特征提取装置用于提取最优特征子集；所述参数反演装置用于将所述最优特征子集反演出Aβ蛋白沉积含量；该参数反演装置中固化有训练好的SVM模型，所述SVM模型是通过选择多个训练样本图像的多个特征参数，并以每个样本图像对应PET图像的Aβ蛋白沉积含量为评价标准，最终训练出的最优特征子集与Aβ蛋白沉积含量的映射关系。其显著效果是：不仅具有无创、无辐射、安全、自动化程度高等优点，而且可应用于阿尔茨海默病诊断的临床应用。
【IPC分类】G06T7/00, G06K9/62
【公开号】CN104881686
【申请号】CN201510282981
【发明人】李勇明, 吕洋, 王品, 刘玉川, 徐莎
【申请人】重庆大学
【公开日】2015年9月2日
【申请日】2015年5月28日