基于rls-elm的多模態(tài)融合圖像分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種多模態(tài)融合圖像分類方法，特別涉及的是一種針對疾病的多模態(tài) 融合圖像分類方法。
【背景技術(shù)】
[0002] 近二十年來，隨著腦影像技術(shù)的進步，腦科學的研宄進入了一個高速發(fā)展時期。功 能磁共振成像（functional magnetic resonance imaging, fMRI)作為一種非侵入式腦功 能檢測技術(shù)，憑借其良好的時間和空間分辨率綜合性能，成為腦科學研宄中應(yīng)用最廣泛的 腦成像技術(shù)。
[0003] 靜息態(tài) rs-fMRI (resting-state fMRI，rs-fMRI)是大腦 BOLD 信號發(fā)生的自發(fā)調(diào) 節(jié)，反映靜息狀態(tài)下大腦的自發(fā)活動，體現(xiàn)大腦各腦區(qū)之間的關(guān)聯(lián)和大腦的運行機制，因此 在臨床上rs-fMRI更適用于某些慢性疾病及精神性疾病的研宄。
[0004] 彌散張量成像（Diffusion tensor imaging, DTI)可以無創(chuàng)性的顯示大腦白質(zhì)纖 維束的結(jié)構(gòu)信息。DTI是核磁共振成像（MRI)的特殊形式，是在常規(guī)磁共振成像和彌散加權(quán) 成像〇iffusion Weighted Imaging，DWI)的基礎(chǔ)上發(fā)展起來的。彌散張量成像不僅可以 揭示腦瘤如何影響神經(jīng)細胞連接，而且可以揭示如精神分裂癥、中風、閱讀障礙、多發(fā)性硬 化癥等有關(guān)神經(jīng)系統(tǒng)很小的異常變化。
[0005] 結(jié)構(gòu)磁共振成像（structural magnetic resonance imaging, sMRI)的使用最為 廣泛。sMRI圖像能夠客觀記錄下從疾病潛伏期到發(fā)作期整個過程中患者腦結(jié)構(gòu)生物標記的 變化，這些數(shù)據(jù)能夠從根本上改變?nèi)藗儗μ囟膊〉恼J識，并且能夠影響和引導疾病的后 續(xù)診斷和治療。
[0006] 綜合以上三類成像技術(shù)的優(yōu)點，多模態(tài)圖像融合技術(shù)近年來在揭示正常人與疾病 患者的大腦結(jié)構(gòu)差異中扮演了日益顯著的角色。多模態(tài)圖像融合技術(shù)提出了一個融合多類 型與多層次分析結(jié)果的概念模型。相關(guān)技術(shù)在疾病進展機制的臨床研宄方面起到了重要的 作用。多模態(tài)圖像融合的目的不僅是結(jié)合各模態(tài)圖像的優(yōu)勢，而是在聯(lián)合分析中充分利用 各模態(tài)圖像的內(nèi)在聯(lián)系。
[0007] 目前，有關(guān)運用計算機技術(shù)處理fMRI數(shù)據(jù)的研宄進入一個高速發(fā)展的時期。至 Friston和Bly等人提出運用廣義線性模型來預(yù)測每個體素的回歸值以來，研宄者們陸續(xù) 提出運用各類模式識別算法解析fMRI數(shù)據(jù)。如，SVM、隱馬爾科夫模型、貝葉斯等。同時，各 類模式識別算法也被運用到多模態(tài)圖像融合領(lǐng)域。Honghui提出使用SVM分類器分別對各 模態(tài)圖像進行分類，采用近似投票的方法對分類結(jié)果進行融合。該方法結(jié)合了各模態(tài)圖像 的優(yōu)勢，并沒有利用到各模態(tài)圖像間的內(nèi)在聯(lián)系。其次，fMRI研宄者熱衷的SVM算法存在 訓練時間長，所需存儲空間大等問題。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明提供一種多模態(tài)融合圖像的分類方法，該方法充分利用各模態(tài)圖像間的內(nèi) 在關(guān)系，改進原有的ELM算法，可同時提高了分類速度與分類準確度。
[0009] 為實現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下：
[0010] 一種基于RLS-ELM的多模態(tài)融合圖像分類方法，包括如下步驟：
[0011] 步驟1 :獲取多個被試對象的rs-fMRI、sMRI以及DTI數(shù)據(jù)，并進行預(yù)處理，剔除不 符合規(guī)定的被試數(shù)據(jù)；
[0012] 步驟2 :計算rs-fMRI數(shù)據(jù)中各體素的ReHo值；
[0013] 步驟3 :計算sMRI數(shù)據(jù)中各體素的灰質(zhì)密度值；
[0014] 步驟4 :計算DTI數(shù)據(jù)中各體素的FA值；
[0015] 步驟5 :將各體素的ReHo、灰質(zhì)密度以及FA值連接成一個新特征矩陣A ;
[0016] 步驟6 :對新的特征矩陣A進行PCA降維處理；
[0017] 步驟7 :對RLS-ELM分類器進行訓練，獲得已訓練的RLS-ELM的分類器。
[0018] 本發(fā)明的有益效果是：本發(fā)明首先提取并融合三種分別代表rs-fMRI、sMRI、DTI 不同模態(tài)圖像的特征值，即，ReHo、灰質(zhì)密度值以及FA值，而后采用PCA降維技術(shù)對多個 被試數(shù)據(jù)組合而成的特征矩陣降維計算，最后訓練基于RLS-ELM算法的分類模型并進行分 類。本發(fā)明創(chuàng)新性地融合三類模態(tài)圖像的特征值，而從利用并揭示了各類模態(tài)圖像間的內(nèi) 在關(guān)系，引進RLS-ELM算法對融合后的特征值進行分類，使得分類準確度和分類速度得到 顯著提升，實現(xiàn)疾病的早發(fā)現(xiàn)早診斷早治療，對于揭示疾病進展的臨床醫(yī)學研宄過程中具 有重要的意義。
【附圖說明】
[0019] 圖1為基于RLS-ELM的多模態(tài)融合圖像分類方法的流程圖。
[0020] 圖2為多模態(tài)圖像融合的結(jié)構(gòu)示意圖。
[0021] 圖3為訓練基于RLS-ELM分類器的流程示意圖
【具體實施方式】
[0022] 下面結(jié)合附圖及實例，對本發(fā)明做進一步說明。
[0023] 參見圖1、圖2、圖3,基于RLS-ELM的多模態(tài)融合圖像分類方法含有以下步驟：
[0024] 步驟1 :獲取多個被試對象的rs-fMRI、sMRI以及DTI數(shù)據(jù)，并進行預(yù)處理，剔除不 符合規(guī)定的被試數(shù)據(jù)。
[0025] 步驟 2 :計算 rs-fMRI 數(shù)據(jù)中各體素的 ReHo (Regional Homogeneity)值。
[0026] 步驟3 :計算sMRI數(shù)據(jù)中各體素的灰質(zhì)密度（Gray Matter Density)值。
[0027] 步驟4 :計算DTI數(shù)據(jù)中各體素的FA (Fractional Anisotropy)值。
[0028] 步驟5 :將各體素的ReHo、灰質(zhì)密度以及FA值連接成一個新特征矩陣A。
[0029] 步驟6 :對新的特征矩陣A進行PCA降維處理。
[0030] 步驟7 :對RLS-ELM分類器進行訓練，獲得已訓練的RLS-ELM的分類模型。
[0031] 步驟2中對于任意體素的ReHo值，計算公式為：
[0032]
【主權(quán)項】
1. 一種基于RLS-ELM的多模態(tài)融合圖像分類方法，其特征在于，包括如下步驟： 步驟1:獲取多個被試對象的rs-fMRI、sMRI以及DTI數(shù)據(jù)，并進行預(yù)處理，剔除不符合 規(guī)定的被試數(shù)據(jù)； 步驟2:計算rs-fMRI數(shù)據(jù)中各體素的ReHo值； 步驟3:計算sMRI數(shù)據(jù)中各體素的灰質(zhì)密度值； 步驟4:計算DTI數(shù)據(jù)中各體素的FA值； 步驟5:將各體素的ReHo、灰質(zhì)密度以及FA值連接成一個新特征矩陣A; 步驟6:對新的特征矩陣r進行PCA降維處理； 步驟7:對RLS-ELM分類器進行訓練，獲得已訓練的RLS-ELM的分類器。
2. 根據(jù)權(quán)利要求1所述的基于RLS-ELM的多模態(tài)融合圖像分類方法，其特征在于，步驟 2中對于任意體素的ReHo值，計算公式為：
其中，Ri為第i個時間點的秩和，即，在第i個時間點的相鄰N個體素點的體素值等級 總數(shù)；1=0 + /廣/(/2,為氏平均值；n是時間點數(shù)；K是所測量計算單元（相鄰體素構(gòu)成計 算ReHo的最小單元，K=N+1)中時間序列數(shù)目。
3. 根據(jù)權(quán)利要求1所述的基于RLS-ELM的多模態(tài)融合圖像分類方法，其特征在于，步驟 4中對于任意體素的FA值，計算公式為：
其中，X1為最大彌散系數(shù)，X2為中級彌散系數(shù)，X3為最低彌散系數(shù)，XX2多入3， I=(4 +1+4)/1為彌散系數(shù)的平均值。
4. 根據(jù)權(quán)利要求1所述的基于RLS-ELM的多模態(tài)融合圖像分類方法，其特征在于，步驟 5的處理流程如下：將已提取的ReHo、灰質(zhì)密度、以及FA值分別組成向量P、Q、T，其中，P= [P1 P2 P3…pD!T為各體素ReHo值組成的特征向量；Q=Iiq1q2q3…qDr為各體素灰 質(zhì)密度值組成的特征向量；T=[ht2t3…tD]'為各體素FA值組成的特征向量；D為大 腦中體素總值；采用Z-ScoreNormalization方法對P、Q以及T向量進行標準化，將已標準 化的P、Q、T向量拼接成一個新特征向量A= [P1Q1 &p2q2t2…pDqDtD]'，AGR3D。
5. 根據(jù)權(quán)利要求I所述的基于RLS-ELM的多模態(tài)融合圖像分類方法，其特征在于，步驟 6對向量A進行PCA降維處理，計算公式為： X=Ur(A-n) 其中，U為向量A的平均向量；U為向量A的協(xié)方差矩陣特征向量組成的正交矩陣；U' 為U的轉(zhuǎn)置矩陣；X為已降維的特征向量。
6. 根據(jù)權(quán)利要求1所述的基于RLS-ELM的多模態(tài)融合圖像分類方法，其特征在于，步驟 7中RLS-ELM分類器的訓練流程如下：給定的訓練集S={ (X」，Yj)Ij= 1，...，n}，Yj表示 分類類別：+1為健康對照組，-1為疾病患者組，f(?)，N個隱藏單元； 賦任意值給矩陣P，其中PeRexN; Wi為連接輸入單元與第i個隱藏單元的權(quán)值，估計輸入權(quán)重W和偏差b，計算公式如 下：
氏為連接第i個隱藏單元到輸出單元的權(quán)值，計算隱層的輸出矩陣H，計算公式如下：
計算輸出權(quán)值矩陣〇,計算公式如下： 其中Ht為H的廣義逆矩陣； 如果輸入的特征值特別大的情況下，輸入權(quán)重W和偏差b的計算公式近似為：
或者是： W = XtY 其中Y為： Y= (XX1+入Ir1TP 其中I是單位矩陣，A是正常數(shù)， 至此，RLS-ELM的分類模型已經(jīng)訓練好，其分類模型為： 〇
【專利摘要】本發(fā)明公開了一種基于RLS-ELM的多模態(tài)融合圖像分類方法，其特征在于，包括如下步驟：步驟1：獲取多個被試對象的rs-fMRI、sMRI以及DTI數(shù)據(jù)，并進行預(yù)處理，剔除不符合規(guī)定的被試數(shù)據(jù)；步驟2：計算rs-fMRI數(shù)據(jù)中各體素的ReHo值；步驟3：計算sMRI數(shù)據(jù)中各體素的灰質(zhì)密度值；步驟4：計算DTI數(shù)據(jù)中各體素的FA值；步驟5：將各體素的ReHo、灰質(zhì)密度以及FA值連接成一個新特征矩陣A；步驟6：對新的特征矩陣A進行PCA降維處理；步驟7：對RLS-ELM分類器進行訓練，獲得已訓練的RLS-ELM的分類器。本發(fā)明基于RLS-ELM的多模態(tài)融合圖像分類方法使得分類準確度和分類速度得到顯著提升，實現(xiàn)疾病的早發(fā)現(xiàn)早診斷早治療，對于揭示疾病進展的臨床醫(yī)學研究過程中具有重要的意義。
【IPC分類】G06K9-62, G06K9-46
【公開號】CN104715260
【申請?zhí)枴緾N201510097438
【發(fā)明人】龍軍, 陽潔, 張祖平, 張昊
【申請人】中南大學
【公開日】2015年6月17日
【申請日】2015年3月5日