法律状态公告日
法律状态信息
法律状态
2017-10-20
授权
授权
2015-09-23
实质审查的生效 IPC(主分类):G06T7/00 申请日:20150528
实质审查的生效
2015-08-26
公开
公开
技术领域
本发明涉及到医学图像处理技术,具体地说,是一种基于脑磁共 振影像中磷酸化tau蛋白含量信息的检测系统。
背景技术
磷酸化tau蛋白是诊断阿尔茨海默病的重要指标之一,现有技术 中通常利用PET扫描成像,通过计算PET图像中磷酸化tau蛋白沉积区 域所对应的像素的总数来作为磷酸化tau含量。
但其存在的缺陷是:PET扫描成像成本高,而且需要预先给病 人注射放射性试剂,具有一定的辐射作用,容易给病人带来一定的心 理压力。
发明内容
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 像中磷酸化tau蛋白含量信息的检测系统,该系统主要结合图像处理 技术和智能识别算法,利用脑磁共振影像中的图像特征信息来实现磷 酸化tau蛋白含量的检测,避免使用PET扫描所带来的不良影响。
为达到上述目的,本发明所采用的具体技术方案如下:
一种基于脑磁共振影像中磷酸化tau蛋白含量信息的检测系统, 其关键在于: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磷酸化tau蛋 白含量;该参数反演装置中固化有训练好的SVM(support vector machine,支持向量机)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图像的磷酸化 tau蛋白含量为评价标准,最终训练出的最优特征子集与磷酸化tau 蛋白含量的映射关系。
作为进一步描述,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图像计算磷酸化tau蛋白含 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图像计算磷酸化tau蛋白含 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磷酸化tau蛋白含量的 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磷酸化tau蛋白 含量的映射关系。
再进一步描述,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。
作为优选,所述训练样本图像特征提取装置采用离散二进制PSO 算法进行特征选择。
本发明的显著效果是:
本发明通过智能遗传算法对SVM模型进行训练,从而得到最优 特征子集与磷酸化tau蛋白含量的映射关系,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 像中磷酸化tau蛋白含量信息的检测系统,该系统可仅通过脑磁共振 图像中的特征信息就可以定量判定出磷酸化tau蛋白含量,具有无创、 无辐射、安全、自动化程度高等优点。
附图说明
图1是本发明的系统原理框图。
具体实施方式
下面结合附图对本发明的具体实施方式以及工作原理作进一步 详细说明。
如图1所示,一种基于脑磁共振影像中磷酸化tau蛋白含量信息 的检测系统,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;
具体实施时可以采用基于属性向量的弹性配准(Hierarchical Attribute Matching Mechanism for Elastic Registration,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。
所述头骨剥离装置用于去除图像中的脑外组织;
由于脑MRI图像中脑新皮层、白质、灰质、丘脑、海马体中明 显存在磷酸化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,具体实施时可以采用ITK程序包 (Insight Segmentation and Registration Toolkit)对以上解剖结构进行 分割。
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磷酸化tau蛋 白含量;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图像的磷酸化tau蛋白含量为评价标准,最终训练出的最 优特征子集与磷酸化tau蛋白含量的映射关系。
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图像计算磷酸化tau蛋白含 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图像计算磷酸化tau蛋白含 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磷酸化tau蛋白含量的 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磷酸化tau蛋白 含量的映射关系。
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。
上述特征参数中,第1个特征表明磷酸化tau蛋白对体积的影响; 第2-4个特征表明磷酸化tau蛋白对亮度的影响;第6-16个特征表明 磷酸化tau蛋白对纹理的影响;第17-18个特征为纤维束特性;将 MRI图像纹理特征记为fj(j=1,2,p),形状特征记为fs(i=1,2,m)。
在SVM模型训练过程中,可以通过合并纹理特征ft(j=1,2,p)和 形状特征fs(i=1,2,m),并基于合并后的特征和SVM回归算法,建立 反演模型,反演过程中将对应PET图像的磷酸化tau蛋白含量记为 Count_tau,并以此为评价标准,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_tau 的相应磷酸化tau蛋白含量Count_tau’以及回归模型SVM_final;优 选的fj(j=1,2,p)以及SVM_final,最后以SVM_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图像对应的磷酸化tau蛋白含量。
在实施过程中,采集40例MRI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 等18个特征,即每幅图包含5*18=90个特征。
将MRI图像样本和对应的PET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。
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),以及反演得到最接近Count_tau的相应磷酸化tau蛋白 含量Count_tau’,特征选择采用离散二进制PSO算法。
SVM分类器的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 squared normalized error,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,输出为磷酸化tau蛋白含量标准值,均方误差满足要求时训练 停止,获取参数矩阵,即最优特征子集与磷酸化tau蛋白含量的映射 关系。
在训练过程中,由于待选特征较多,特征与磷酸化tau蛋白含量 的关系未明且复杂,因此,需要设计精度高的搜索算法加以解决。采 用离散二进制PSO算法,结合小样本学习能力强的SVM分类器实现 了混合式特征选择,精度大大提高。此外,通过对SVM分类器参数 优化,实现了较好的参数反演能力。
机译: 化合物,药物组合物,化合物制备方法,控制有害植物的方法,抑制植物磷酸酶活性的方法,在个体中预防或治疗真菌感染的方法,治疗个体的方法,减少gsk-3量的方法在细胞中,增加细胞中磷酸化akt量的方法,减少细胞中tau磷酸化的方法,以及减少细胞中tau聚集的方法
机译: 基于脑电信号中的心脏活动信息和脑活动信息的睡眠阶段判别系统和方法
机译: MARKK或MARKK拮抗剂在治疗以MARK或tau蛋白磷酸化为特征的磷酸化中的用途