置用于提取訓(xùn)練樣本特征選擇裝置所選擇出的特征參數(shù)；
[0046]所述分類器構(gòu)建裝置用于構(gòu)建特征參數(shù)與磷酸化tau蛋白含量的反演關(guān)系，該分類器的核函數(shù)采用徑向基函數(shù)，當(dāng)所述測(cè)試樣本的識(shí)別率達(dá)到預(yù)設(shè)目標(biāo)時(shí)，最終訓(xùn)練出的最優(yōu)特征子集與磷酸化tau蛋白含量的映射關(guān)系。
[0047]所述訓(xùn)練樣本圖像特征提取裝置所提取的多個(gè)特征參數(shù)包括每個(gè)解剖結(jié)構(gòu)的體積、灰度分布的不均勻性、灰度平均、灰度均方差、灰度熵、信息熵、幾何矩、對(duì)比度、差分矩、自相關(guān)、梯度分布的不均勻性、梯度、梯度平均、梯度均方差、梯度熵、逆差矩、平均彌散率和各向異性分?jǐn)?shù)值。
[0048]上述特征參數(shù)中，第I個(gè)特征表明磷酸化tau蛋白對(duì)體積的影響；第2-4個(gè)特征表明磷酸化tau蛋白對(duì)亮度的影響；第6-16個(gè)特征表明磷酸化tau蛋白對(duì)紋理的影響；第17-18個(gè)特征為纖維束特性；將MRI圖像紋理特征記為fj (j = I, 2，p)，形狀特征記為fs(i
=I, 2, m) ο
[0049]在SVM模型訓(xùn)練過(guò)程中，可以通過(guò)合并紋理特征ft (j = 1，2，p)和形狀特征fs(i=1，2，m)，并基于合并后的特征和SVM回歸算法，建立反演模型，反演過(guò)程中將對(duì)應(yīng)PET圖像的磷酸化tau蛋白含量記為Count_tau，并以此為評(píng)價(jià)標(biāo)準(zhǔn)，通過(guò)反演準(zhǔn)確性來(lái)進(jìn)行特征選擇，最終獲得最優(yōu)特征子集，記為fj(j = I, 2，p)，反演得到最接近Count_tau的相應(yīng)磷酸化tau蛋白含量Count_tau’以及回歸模型SVM_final ;優(yōu)選的fj(j = I, 2，p)以及SVM_final，最后以SVM_final作為訓(xùn)練好的SVM模型，通過(guò)提取其它MRI圖像中的最優(yōu)特征子集即可反演出該MRI圖像對(duì)應(yīng)的磷酸化tau蛋白含量。
[0050]在實(shí)施過(guò)程中，采集40例MRI圖像樣本和對(duì)應(yīng)的PET圖像樣本(正常人腦的圖像和確診老年癡呆人腦的圖像各一半)，選擇一幅圖像作為參考圖像，將其余圖像向其配準(zhǔn)；然后通過(guò)頭骨剝離，去除圖像中的非腦組織；接著進(jìn)行組織分割，從腦組織中分離出腦新皮層、白質(zhì)、灰質(zhì)、丘腦、海馬體等幾部分；最后從每個(gè)組織中提取出體積、灰度分布的不均勻性、灰度平均、灰度均方差、灰度熵、信息熵、幾何矩、對(duì)比度、差分矩、自相關(guān)、梯度分布的不均勻性、梯度、梯度平均、梯度均方差、梯度熵、逆差矩、平均彌散率和各向異性分?jǐn)?shù)值等18個(gè)特征，即每幅圖包含5*18 = 90個(gè)特征。
[0051]將MRI圖像樣本和對(duì)應(yīng)的PET圖像樣本隨機(jī)分為A，B兩組，每組包含20例MR圖像和對(duì)應(yīng)的20例PET圖像(正常人腦的圖像和確診老年癡呆人腦的圖像各一半)，A組用于參數(shù)反演模型訓(xùn)練，B組用于對(duì)模型進(jìn)行性能測(cè)試。
[0052]基于SVM的參數(shù)反演模型，采用A部分作為訓(xùn)練樣本，B部分作為測(cè)試樣本。通過(guò)反演準(zhǔn)確性來(lái)進(jìn)行特征篩選，最終獲得最優(yōu)特征子集& (j = 1，2，p)，以及反演得到最接近Count_tau的相應(yīng)磷酸化tau蛋白含量Count_tau’，特征選擇采用離散二進(jìn)制PSO算法。
[0053]SVM分類器的核函數(shù)為徑向基函數(shù)，采用5階校驗(yàn)法，訓(xùn)練收斂準(zhǔn)則為均方誤差(Mean squared normalized error，MSE)，利用A部分樣本數(shù)據(jù)進(jìn)行測(cè)試，對(duì)SVM進(jìn)行參數(shù)回歸，輸入向量為圖像特征值，輸出為磷酸化tau蛋白含量標(biāo)準(zhǔn)值，均方誤差滿足要求時(shí)訓(xùn)練停止，獲取參數(shù)矩陣，即最優(yōu)特征子集與磷酸化tau蛋白含量的映射關(guān)系。
[0054]在訓(xùn)練過(guò)程中，由于待選特征較多，特征與磷酸化tau蛋白含量的關(guān)系未明且復(fù)雜，因此，需要設(shè)計(jì)精度高的搜索算法加以解決。采用離散二進(jìn)制PSO算法，結(jié)合小樣本學(xué)習(xí)能力強(qiáng)的SVM分類器實(shí)現(xiàn)了混合式特征選擇，精度大大提高。此外，通過(guò)對(duì)SVM分類器參數(shù)優(yōu)化，實(shí)現(xiàn)了較好的參數(shù)反演能力。
【主權(quán)項(xiàng)】
1.一種基于腦磁共振影像中磷酸化tau蛋白含量信息的檢測(cè)系統(tǒng)，其特征在于:設(shè)置有MRI圖像采集裝置、圖像預(yù)處理裝置、特征提取裝置以及參數(shù)反演裝置； 所述圖像預(yù)處理裝置中依次設(shè)置有濾波去噪裝置、圖像配準(zhǔn)裝置、頭骨剝離裝置和組織分割裝置； 所述濾波去噪裝置用于實(shí)現(xiàn)MRI圖像的去噪處理； 所述圖像配準(zhǔn)裝置用于實(shí)現(xiàn)待測(cè)圖像頭部位置的調(diào)整； 所述頭骨剝離裝置用于去除圖像中的腦外組織； 所述組織分割裝置用于將圖像中的腦組織圖像分割為腦新皮層、白質(zhì)、灰質(zhì)、丘腦和海馬體五個(gè)解剖結(jié)構(gòu)； 所述特征提取裝置用于提取最優(yōu)特征子集； 所述參數(shù)反演裝置用于將所述最優(yōu)特征子集反演出磷酸化tau蛋白含量；該參數(shù)反演裝置中固化有訓(xùn)練好的SVM模型，所述SVM模型是通過(guò)選擇多個(gè)訓(xùn)練樣本圖像的多個(gè)特征參數(shù)，并以每個(gè)樣本圖像對(duì)應(yīng)PET圖像的磷酸化tau蛋白含量為評(píng)價(jià)標(biāo)準(zhǔn)，最終訓(xùn)練出的最優(yōu)特征子集與磷酸化tau蛋白含量的映射關(guān)系。
2.根據(jù)權(quán)利要求1所述的基于腦磁共振影像中磷酸化tau蛋白含量信息的檢測(cè)系統(tǒng)，其特征在于:所述參數(shù)反演裝置中設(shè)置有訓(xùn)練樣本圖像獲取裝置、訓(xùn)練樣本圖像預(yù)處理裝置、訓(xùn)練樣本圖像特征提取裝置、訓(xùn)練樣本特征選擇裝置、測(cè)試樣本圖像獲取裝置、測(cè)試樣本圖像預(yù)處理裝置、測(cè)試樣本圖像特征提取裝置以及分類器構(gòu)建裝置； 所述訓(xùn)練樣本圖像獲取裝置用于獲取訓(xùn)練樣本MRI圖像和該MRI圖像對(duì)應(yīng)的PET圖像，并通過(guò)PET圖像計(jì)算磷酸化tau蛋白含量作為分類器的評(píng)價(jià)標(biāo)準(zhǔn)； 所述訓(xùn)練樣本圖像預(yù)處理裝置與所述圖像預(yù)處理裝置的結(jié)構(gòu)和功能相同； 所述訓(xùn)練樣本圖像特征提取裝置用于提取SVM模型所需的多個(gè)特征參數(shù)； 所述訓(xùn)練樣本特征選擇裝置用于實(shí)現(xiàn)多個(gè)特征參數(shù)的選擇； 所述測(cè)試樣本圖像獲取裝置用于獲取測(cè)試樣本MRI圖像和該MRI圖像對(duì)應(yīng)的PET圖像，并通過(guò)PET圖像計(jì)算磷酸化tau蛋白含量作為分類器的評(píng)價(jià)標(biāo)準(zhǔn)； 所述測(cè)試樣本圖像預(yù)處理裝置與所述圖像預(yù)處理裝置的結(jié)構(gòu)和功能相同； 所述測(cè)試樣本圖像特征提取裝置用于提取訓(xùn)練樣本特征選擇裝置所選擇出的特征參數(shù)； 所述分類器構(gòu)建裝置用于構(gòu)建特征參數(shù)與磷酸化tau蛋白含量的反演關(guān)系，該分類器的核函數(shù)采用徑向基函數(shù)，當(dāng)所述測(cè)試樣本的識(shí)別率達(dá)到預(yù)設(shè)目標(biāo)時(shí)，最終訓(xùn)練出的最優(yōu)特征子集與磷酸化tau蛋白含量的映射關(guān)系。
3.根據(jù)權(quán)利要求2所述的基于腦磁共振影像中磷酸化tau蛋白含量信息的檢測(cè)系統(tǒng)，其特征在于:所述訓(xùn)練樣本圖像特征提取裝置所提取的多個(gè)特征參數(shù)包括每個(gè)解剖結(jié)構(gòu)的體積、灰度分布的不均勻性、灰度平均、灰度均方差、灰度熵、信息熵、幾何矩、對(duì)比度、差分矩、自相關(guān)、梯度分布的不均勻性、梯度、梯度平均、梯度均方差、梯度熵、逆差矩、平均彌散率和各向異性分?jǐn)?shù)值。
4.根據(jù)權(quán)利要求2所述的基于腦磁共振影像中磷酸化tau蛋白含量信息的檢測(cè)系統(tǒng)，其特征在于:所述訓(xùn)練樣本圖像特征提取裝置采用離散二進(jìn)制PSO算法進(jìn)行特征選擇。
【專利摘要】本發(fā)明公開(kāi)了一種基于腦磁共振影像中磷酸化tau蛋白含量信息的檢測(cè)系統(tǒng)，設(shè)置有MRI圖像采集裝置、圖像預(yù)處理裝置、特征提取裝置以及參數(shù)反演裝置；所述參數(shù)反演裝置用于將最優(yōu)特征子集反演出磷酸化tau蛋白含量；該參數(shù)反演裝置中固化有訓(xùn)練好的SVM模型，所述SVM模型是通過(guò)選擇多個(gè)訓(xùn)練樣本圖像的多個(gè)特征參數(shù)，并以每個(gè)樣本圖像對(duì)應(yīng)PET圖像的磷酸化tau蛋白含量為評(píng)價(jià)標(biāo)準(zhǔn)，最終訓(xùn)練出的最優(yōu)特征子集與磷酸化tau蛋白含量的映射關(guān)系。該系統(tǒng)可僅通過(guò)腦磁共振圖像就可以定量顯示磷酸化tau蛋白含量，具有無(wú)創(chuàng)、無(wú)輻射、安全、自動(dòng)化程度高等優(yōu)點(diǎn)。
【IPC分類】G06T7-00, G06K9-62
【公開(kāi)號(hào)】CN104867153
【申請(qǐng)?zhí)枴緾N201510280008
【發(fā)明人】李勇明, 呂洋, 王品, 劉玉川, 徐莎
【申請(qǐng)人】重慶大學(xué)
【公開(kāi)日】2015年8月26日
【申請(qǐng)日】2015年5月28日