基于磁共振成像的脑小血管病变图像分类方法、设备及介质技术

本发明专利技术涉及一种基于磁共振成像的脑小血管病变图像分类方法、设备及介质，所述方法首先构建并训练基于集成学习的图像分类模型，然后获取待分类脑MRI图像，应用所述图像分类模型获取该待分类脑MRI图像对应的病变类别；训练所述基于集成学习的图像分类模型具体包括以下步骤：S101、获取脑MRI数据集，对所述脑MRI数据集的图像进行预处理，获取预处理后图像；S102、对所述预处理后图像进行计算分析，获取对应的多个功能度量，基于所述多个功能度量筛选获得用于分类的若干个度量特征；S103、基于所述度量特征训练所述图像分类模型。与现有技术相比，本发明专利技术具有精度高、易于操作等优点。易于操作等优点。易于操作等优点。

【技术实现步骤摘要】
基于磁共振成像的脑小血管病变图像分类方法、设备及介质


[0001]本专利技术涉及医学图像处理
，涉及一种图像自动分类方法，尤其是涉及一种基于磁共振成像的脑小血管病变图像分类方法、设备及介质。

技术介绍

[0002]脑小血管疾病(CSVD)是一种临床、病理和影像综合症，可由多种原因及发病机制影响脑小动脉、小静脉、微动脉、微静脉和毛细血管等小血管，是导致认知障碍和痴呆症，如血管性痴呆、AD等的主要原因。CSVD在MRI图像上最早及最明显的表征是脑白质高信号(WMH)，其在老年人的大脑MRI上十分常见。然而，WMH的潜在病理机制是非常多样的，例如不完全的皮层下梗塞、胶质增生和轴索丧失或血管周围间隙邻近脑白质轻度脱髓鞘等，其临床影响也很复杂，包括认知障碍、卒中复发、痴呆和死亡的风险增加。
[0003]CSVD起病隐匿，渐进发展，预后不良，目前仍缺乏成熟的、有针对性的治疗策略，因此，迫切需要正确理解CSVD在衰老大脑中的作用机制和临床表现。目前，绝大部分基于CSVD的影像学智能应用都致力于病灶的分割和定位方面，而CSVD是一个全脑性疾病，并非局灶性病变。CSVD的特异性临床表现是神经元间相互连接，进而形成复杂脑网络并相互作用的结果。现有方法难以方便、准确对CSVD病变图像进行分类。

技术实现思路

[0004]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种精度高、易于操作的基于磁共振成像的脑小血管病变图像分类方法、设备及介质。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种基于磁共振成像的脑小血管病变图像分类方法，该方法首先构建并训练基于集成学习的图像分类模型，然后获取待分类脑MRI图像，应用所述图像分类模型获取该待分类脑MRI图像对应的病变类别；
[0007]训练所述基于集成学习的图像分类模型具体包括以下步骤：
[0008]S101、获取脑MRI数据集，对所述脑MRI数据集的图像进行预处理，获取预处理后图像；
[0009]S102、对所述预处理后图像进行计算分析，获取对应的多个功能度量，基于所述多个功能度量筛选获得用于分类的若干个度量特征；
[0010]S103、基于所述度量特征训练所述图像分类模型。
[0011]进一步地，步骤S101中，对所述脑MRI数据集的图像进行的预处理包括时间层校正、头动校正、空间标准化、平滑、带通滤波、去线性漂移、回归干扰参数中的一个或多个。
[0012]进一步地，步骤S102中，所述功能度量包括ReHo图、ALFF图、FC模式和脑功能网络，所述脑功能网络具有局部网络属性和全局网络属性。
[0013]进一步地，采用双样本T检验进行特征选择，从所述ReHo图和ALFF图中获得具有代表性的脑体素团块，作为用于分类的度量特征。
[0014]进一步地，使用L0minCV方法对FC模式和脑功能网络中局部网络属性进行特征选择。
[0015]进一步地，所述脑功能网络为具有稀疏度的加权脑网络，构建过程包括：
[0016]设置每两个脑网络节点u和v之间的连通程度，用相关性作为两节点之间边的权重，仅取所有权重值降序排列时前s％的节点连边，获得所述具有稀疏度的加权脑网络。
[0017]进一步地，所述局部网络属性包括介数中心度、度中心度、聚类系数、局部效率和节点效率；
[0018]所述全局网络属性包括同配性、层次度、局域脑网络效率、全局脑网络效率和小世界网络属性。
[0019]进一步地，所述基于集成学习的图像分类模型包括针对每一度量特征的SVM模型，以各SVM模型的初步分类结果加权获得最终分类结果。
[0020]本专利技术还提供一种电子设备，包括：
[0021]一个或多个处理器；
[0022]存储器；和
[0023]被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述图像分类方法的指令。
[0024]本专利技术还提供一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如上所述图像分类方法的指令。
[0025]与现有技术相比，本专利技术具有以下有益效果：
[0026]1、本专利技术利用集成学习方法自动对输入的待分类图像进行分类，分类精度高。
[0027]2、本专利技术通过对图像对应的功能度量的分析，以具有代表性的特征作为用于分类的度量特征，有效提高分类精度。
[0028]3、本专利技术以计算机程序实现脑图像的自动化分类，易于推广，无需医生对WHM严重程度进行繁琐的视觉评定。
附图说明
[0029]图1为本专利技术的流程示意图；
[0030]图2为本专利技术基于集成学习的图像分类模型示意图。
具体实施方式
[0031]下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。
[0032]实施例1
[0033]本实施例提供一种基于磁共振成像的脑小血管病变图像分类方法，该方法首先构建并训练基于集成学习的图像分类模型，然后获取待分类脑MRI图像，应用所述图像分类模型获取该待分类脑MRI图像对应的病变类别。训练所述基于集成学习的图像分类模型具体包括以下步骤：
[0034]S101、获取脑MRI数据集，对所述脑MRI数据集的图像进行预处理，获取预处理后图
像。
[0035]获取的脑MRI数据集的图像包括T1结构像和rs
‑
fMRI图像。对所述脑MRI数据集的图像进行的预处理包括时间层校正、头动校正、空间标准化、平滑、带通滤波、去线性漂移、回归干扰参数中的一个或多个。
[0036]S102、对所述预处理后图像进行计算分析，获取对应的多个功能度量，基于所述多个功能度量筛选获得用于分类的若干个度量特征。
[0037]本实施例中，功能度量包括ReHo图、ALFF图、FC模式和脑功能网络。各功能度量的获取方法具体为：
[0038]ALFF图构建步骤：对经过预处理的rs
‑
fMRI图像，首先使用0.01～0.08Hz带通滤波器保留低频段的信号，然后对所有信号强度进行傅立叶变换得到功率谱，将其开方，从而得到BOLD信号的振幅，最后把所有频率点上振幅值相加求平均，该平均值就是最终的ALFF值，如公式(1)所示：
[0039][0040]式(1)中，N为体素总和，a
k
，b
k
是不同频率下对应的系数。
[0041]ReHo图构建步骤：对经过预处理的rs
‑
fMRI图像，计算每个脑体素的肯德尔和谐系数评估其在局部区域神经自发活动的一致性，计算公式如下：
[0042][0043]式(2)中，R
i
是第i个时间点的秩和；时间点个数用n表示；K是计算的体素的时间序列与本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于磁共振成像的脑小血管病变图像分类方法，其特征在于，该方法首先构建并训练基于集成学习的图像分类模型，然后获取待分类脑MRI图像，应用所述图像分类模型获取该待分类脑MRI图像对应的病变类别；训练所述基于集成学习的图像分类模型具体包括以下步骤：S101、获取脑MRI数据集，对所述脑MRI数据集的图像进行预处理，获取预处理后图像；S102、对所述预处理后图像进行计算分析，获取对应的多个功能度量，基于所述多个功能度量筛选获得用于分类的若干个度量特征；S103、基于所述度量特征训练所述图像分类模型。2.根据权利要求1所述的基于磁共振成像的脑小血管病变图像分类方法，其特征在于，步骤S101中，对所述脑MRI数据集的图像进行的预处理包括时间层校正、头动校正、空间标准化、平滑、带通滤波、去线性漂移、回归干扰参数中的一个或多个。3.根据权利要求1所述的基于磁共振成像的脑小血管病变图像分类方法，其特征在于，步骤S102中，所述功能度量包括ReHo图、ALFF图、FC模式和脑功能网络，所述脑功能网络具有局部网络属性和全局网络属性。4.根据权利要求3所述的基于磁共振成像的脑小血管病变图像分类方法，其特征在于，采用双样本T检验进行特征选择，从所述ReHo图和ALFF图中获得具有代表性的脑体素团块，作为用于分类的度量特征。5.根据权利要求3所述的基于磁共振成像的脑小血管病变图像分类方法，其特征...

【专利技术属性】
技术研发人员：周滟，聂生东，胡颖，许建荣，孙雅文，汪耀，
申请(专利权)人：上海理工大学，
类型：发明
国别省市：