李勇明　 呂　洋　 李　帆　 王　品　 邱明國　 劉書君　 閆　瑾

(1重慶大學(xué)通信工程學(xué)院,重慶400044)(2第三軍醫(yī)大學(xué)生物醫(yī)學(xué)工程學(xué)院,重慶400038)

基于磁共振影像特征集成融合的AD診斷

李勇明1,2呂洋1李帆1王品1邱明國2劉書君1閆瑾1

(1重慶大學(xué)通信工程學(xué)院,重慶400044)(2第三軍醫(yī)大學(xué)生物醫(yī)學(xué)工程學(xué)院,重慶400038)

摘要:為了得到更高更穩(wěn)定的阿爾茨海默病(AD)診斷準(zhǔn)確率,對(duì)腦磁共振影像紋理特征進(jìn)行了集成融合,并用于AD分類診斷.首先,基于病理知識(shí)提取腦磁共振影像中左右腦相關(guān)解剖結(jié)構(gòu)的體積、紋理特征;然后,采用鏈?zhǔn)街悄荏w遺傳算法與支持向量機(jī)相結(jié)合的封裝式特征選擇分類集成模型,對(duì)提取的特征集進(jìn)行特征選擇,從而實(shí)現(xiàn)融合;最后,利用融合后的特征進(jìn)行分類診斷,并將融合后的分類結(jié)果與融合前以及采用p值法特征選擇的分類結(jié)果進(jìn)行對(duì)比.實(shí)驗(yàn)結(jié)果表明,相比融合前的特征以及采用p值法進(jìn)行選擇的特征,利用所提算法融合后的特征具有更高且更穩(wěn)定的分類準(zhǔn)確率、靈敏度和特異度.

關(guān)鍵詞:磁共振影像;阿爾茨海默病;影像特征融合;特征選擇分類集成模型;鏈?zhǔn)街悄荏w遺傳算法;支持向量機(jī)

阿爾茨海默病(Alzheimer’sdisease,AD)是一種常見的神經(jīng)性退行性疾病,其防治的關(guān)鍵是早期無創(chuàng)診斷.磁共振成像(MRI)能定量地反映腦中不同組織在結(jié)構(gòu)和功能上的變化,表征代謝物濃度,在AD早期診斷中取得了較好的應(yīng)用效果[1].研究發(fā)現(xiàn),AD的早期病變過程和一些與認(rèn)知相關(guān)的解剖結(jié)構(gòu)關(guān)系緊密,早期病變過程中這些解剖結(jié)構(gòu)發(fā)生了體積和紋理的變化,如海馬體出現(xiàn)萎縮[2].學(xué)者們研究了灰質(zhì)、灰質(zhì)中海馬體、白質(zhì)、腦脊髓液等的體積紋理變化[2-4],并提取了游程矩陣、灰度共生矩陣、灰度梯度共生矩陣、熵等磁共振影像紋理特征進(jìn)行定量分析[5-7],用于AD早期診斷.根據(jù)信息熵理論,影像特征越豐富,其信息表達(dá)能力越強(qiáng).但是,目前絕大多數(shù)研究?jī)H限于單個(gè)或少量幾個(gè)解剖結(jié)構(gòu)的部分影像特征與AD的相關(guān)關(guān)系,這些特征較為片面.Kim等[8]將結(jié)構(gòu)像和功能像中某些解剖結(jié)構(gòu)影像特征相結(jié)合,明顯改進(jìn)了MCI分類診斷效果.然而,特征的簡(jiǎn)單合并無法消除特征間的冗余相關(guān)性,且當(dāng)特征數(shù)量較多時(shí)復(fù)雜度較高,分類速度較低,分類準(zhǔn)確率較低,因而普適性較差.

特征選擇是消除特征冗余從而有效降低特征數(shù)目的一種有效方式.本文將CAGA和SVM相結(jié)合,建立了封裝式特征集成融合模型.利用該模型對(duì)提取的多種類型磁共振影像特征進(jìn)行深度選擇,并將選擇后的特征用于AD分類診斷.最后,通過比較實(shí)驗(yàn)來驗(yàn)證本文算法的有效性.

1基于CAGA和SVM的封裝式特征集成融合算法

圖1為基于磁共振影像特征融合算法的AD診斷基本流程圖,包括腦MR圖像樣本預(yù)處理、磁共振影像特征提取、特征融合及分類診斷4個(gè)部分.

圖1　基于磁共振影像特征融合算法的AD診斷基本流程圖

1.1腦MR圖像樣本預(yù)處理

1.1.1圖像配準(zhǔn)

各個(gè)腦MR圖像樣本存在空間差異性,為了消除這種差異性對(duì)后續(xù)處理的影響,需要進(jìn)行配準(zhǔn).配準(zhǔn)步驟如下:① 選擇一個(gè)標(biāo)準(zhǔn)的腦圖像樣本作為基準(zhǔn)圖像;② 對(duì)其他圖像樣本進(jìn)行非線性仿射變換;③ 根據(jù)變換參數(shù)進(jìn)行圖像對(duì)準(zhǔn)操作.本文基于Matlab中的SPM8軟件包,利用Talairach-Tournoux腦圖譜空間作為配準(zhǔn)的模板[9].

1.1.2圖像分割

本文采集的原始腦圖像包括頭皮、灰質(zhì)、顱骨、白質(zhì)、神經(jīng)膠質(zhì)、皮下脂肪、腦脊液、肌肉、結(jié)締組織等.為了去除與AD病變不相關(guān)的組織(如頭骨、小腦等),需要進(jìn)行頭骨剝離和組織分割.解剖結(jié)構(gòu)分割的主要步驟為:① 利用MIPAV軟件中的ExtractBrainSurface功能進(jìn)行頭骨剝離,實(shí)現(xiàn)對(duì)外圍頭骨的去除以及非相關(guān)組織(如眼睛等)的過濾[10];② 使用模糊C均值聚類(FCM)算法從腦組織中分割出灰質(zhì)、白質(zhì)、腦脊髓液以及海馬體4個(gè)部分[11].分割結(jié)果見圖2.

1.2多類型磁共振影像特征提取

研究表明,AD病變時(shí)解剖結(jié)構(gòu)會(huì)發(fā)生體積和紋理變化.此外,在AD早期病變過程中,腦的不對(duì)稱性也在逐漸發(fā)生變化[12-13].為了研究特征的不對(duì)稱性,分別提取了腦的4個(gè)解剖結(jié)構(gòu)左右部分的體積特征和紋理特征.這8個(gè)體積特征為左腦灰質(zhì)體積、右腦灰質(zhì)體積、左腦白質(zhì)體積、右腦白質(zhì)體積、左腦脊液體積、右腦脊液體積、左腦海馬體體積、右腦海馬體體積.紋理特征包括以下15種.

圖2　解剖結(jié)構(gòu)分割效果圖

1) 能量

(1)

2) 對(duì)比度

(2)

3) 逆差分矩

(3)

4) 熵

(4)

5) 灰度相關(guān)系數(shù)

(5)

6) 長(zhǎng)游程低灰度級(jí)加重

(6)

7) 長(zhǎng)游程高灰度級(jí)加重

(7)

8) 短游程低灰度級(jí)加重

(8)

9) 短游程高灰度級(jí)加重

(9)

10) 灰度級(jí)非均勻性

(10)

11) 游程長(zhǎng)度非均勻性

(11)

12) 長(zhǎng)游程加重

(12)

13) 短游程加重

(13)

14) 低灰度級(jí)游程加重

(14)

15) 高灰度級(jí)游程加重

(15)

綜上所述,特征集包括8個(gè)左右腦體積特征,120個(gè)左右腦的紋理特征,共計(jì)128個(gè)特征.

1.3基于CAGA和SVM的封裝式特征集成融合模型

封裝式特征集成融合本質(zhì)上即為封裝式特征選擇.本文采用封裝式特征選擇分類集成模型對(duì)提取的特征進(jìn)行融合.其中,優(yōu)化算法采用鏈?zhǔn)街悄荏w遺傳算法(CAGA)[14],該算法相對(duì)于普通遺傳算法而言,準(zhǔn)確率更高,穩(wěn)定性更好.分類器選用支持向量機(jī)(SVM),按照下式進(jìn)行訓(xùn)練:

(16)

式中,c為懲罰參數(shù);αq為第q個(gè)樣本的學(xué)習(xí)率;sq為第q個(gè)樣本的標(biāo)簽；x為樣本數(shù)據(jù);b為偏移量;k()為核函數(shù)，這里采用RBF(徑向基)函數(shù)作為核函數(shù)類型,其表達(dá)式如下:

k(z,zc)=exp(-γ‖z-zc‖2)

(17)

式中,z為空間中任一點(diǎn);zc為核函數(shù)中心;γ為核函數(shù)的徑向作用長(zhǎng)度.

該特征集成融合算法包括數(shù)據(jù)預(yù)處理和特征集成融合2部分,數(shù)據(jù)預(yù)處理步驟為:① 對(duì)原始樣本Fea()進(jìn)行樣本處理,得到樣本特征矩陣F={f1,f2,…,fp},其中p為特征數(shù);② 將樣本矩陣隨機(jī)劃分為訓(xùn)練樣本矩陣和測(cè)試樣本矩陣;③ 根據(jù)初始的第i個(gè)智能體,對(duì)訓(xùn)練樣本矩陣和測(cè)試樣本矩陣分別進(jìn)行裁剪,生成該智能體所對(duì)應(yīng)的訓(xùn)練特征樣本矩陣T和測(cè)試特征樣本矩陣E.特征集成融合算法的偽代碼流程見算法1.

算法1特征集成融合算法

輸入:訓(xùn)練特征樣本矩陣和測(cè)試特征樣本矩陣.

輸出:最優(yōu)智能體po(t),對(duì)應(yīng)的最優(yōu)特征子集和對(duì)應(yīng)的分類診斷準(zhǔn)確率Ac.

Initializep(t);//初始化種群

[po(t),Ac]=CAGA_SVM(T,E)

WHILE(t≤N)//N為迭代次數(shù)

Evaluation(p(t));//將T送入SVM模型進(jìn)行訓(xùn)練,然后基于訓(xùn)練后的SVM模型和E輸出測(cè)試診斷準(zhǔn)確率，作為該智能體的初始適應(yīng)度值

ps(t)=Selection(p(t));//領(lǐng)域競(jìng)爭(zhēng)選擇

pc(t)=Crossover(ps(t));//自適應(yīng)交叉

pm(t)=Mutation(pc(t));//自適應(yīng)變異

Evaluation(pm(t));//計(jì)算自適應(yīng)變異后的適應(yīng)度值

IFEvaluation(p(t))>Evaluation(pm(t))

po(t)=p(t)

Ac=Evaluation(p(t))

ELSEIFEvaluation(p(t))

po(t)=pm(t)

Ac=Evaluation(pm(t))

ENDIF

t=t+1

ENDWHILE

Outputpo(t)和Ac;

1.4基于SVM模型的分類

根據(jù)1.3節(jié)中的特征集成融合模型獲得最優(yōu)特征子集,結(jié)合SVM模型對(duì)腦MR圖像樣本進(jìn)行分類,實(shí)現(xiàn)診斷.采用leave-one-out交叉校驗(yàn)法來驗(yàn)證本文算法的有效性.重復(fù)上述實(shí)驗(yàn)多次,統(tǒng)計(jì)分類準(zhǔn)確率的平均值,從而評(píng)估特征融合的性能優(yōu)劣.

2實(shí)驗(yàn)結(jié)果與分析

2.1實(shí)驗(yàn)條件

實(shí)驗(yàn)所用數(shù)據(jù)來自重慶大坪醫(yī)院,數(shù)據(jù)真實(shí)可靠,并經(jīng)過醫(yī)學(xué)專家認(rèn)可.數(shù)據(jù)信息簡(jiǎn)述如下:該數(shù)據(jù)包含了結(jié)構(gòu)T1MR圖像,樣本共計(jì)246個(gè).圖像采集裝置為1.5TSigna掃描儀.采集的時(shí)間段為1999～2004年.采集方法為破壞性梯度回返采集(SPGR)法,采用體積式T1加權(quán)脈沖序列.回波時(shí)間為5ms,重復(fù)時(shí)間為 25ms,反轉(zhuǎn)角為40°,脈沖重復(fù)激發(fā)次數(shù)為1, 單層厚度為1.5mm.圖像采集對(duì)象由大坪醫(yī)院神經(jīng)內(nèi)科和影像科的專家確定,且采集對(duì)象沒有其他神經(jīng)性方面的疾病,并具有相似的教育程度,平均年齡為66歲,年齡標(biāo)準(zhǔn)差為7.5年.

近年來,部分相關(guān)文章的圖像樣本來自ADNI數(shù)據(jù)集.本文沒有選取該數(shù)據(jù)集的原因如下:① 本文處理的是sMRI圖像,但該數(shù)據(jù)集里的MRI圖像缺乏sMRI圖像[15];② 本文的主旨是驗(yàn)證所提算法的集成融合性能,即基于同樣的圖像比較融合前后的效果,因此無需采用公共數(shù)據(jù)集;③ 本文處理的圖像樣本經(jīng)過大坪醫(yī)院神經(jīng)內(nèi)科和影像科的專家確認(rèn),來自相似背景,處理結(jié)果更能驗(yàn)證所提算法的集成融合性能.

AD樣本數(shù)較少,且部分殘缺,為了均衡各類樣本數(shù)目,本文選擇了3類樣本,每類30個(gè),共計(jì)90個(gè)樣本.這3類分別為阿爾茲海默病患者(AD)、輕度認(rèn)知障礙患者(MCI)和正常對(duì)照組(CTL).對(duì)每個(gè)樣本劃分左右腦,并提取8個(gè)解剖結(jié)構(gòu),再分別對(duì)每個(gè)解剖結(jié)構(gòu)提取1個(gè)體積特征和15個(gè)紋理特征,共計(jì)128個(gè)特征.

SVM模型的核函數(shù)為RBF核函數(shù),初始核參數(shù) γ=0.3,懲罰因子C=4.參數(shù)選擇時(shí)首先根據(jù)經(jīng)驗(yàn),給定γ和C的待搜索范圍,設(shè)置搜索步長(zhǎng),然后分別取這2個(gè)參數(shù)的所有可能組合來訓(xùn)練SVM模型,并對(duì)模型的推廣能力進(jìn)行檢驗(yàn);最后,選擇出推廣能力最好的SVM模型所對(duì)應(yīng)的γ和C.

針對(duì)CAGA,為了較好地平衡時(shí)間代價(jià)和優(yōu)化精度,通過多次實(shí)驗(yàn)統(tǒng)計(jì),確定初始種群規(guī)模為200,初始交叉概率為0.8,初始變異概率為0.05.每次迭代結(jié)束時(shí),根據(jù)適應(yīng)度值大小保留前25個(gè)最優(yōu)個(gè)體,最大迭代次數(shù)設(shè)置為50,可以較快搜尋到全局最優(yōu),選出最優(yōu)特征子集.

2.2特征集成融合前后的分類性能對(duì)比

本組實(shí)驗(yàn)的目的是通過對(duì)集成融合后特征的分類準(zhǔn)確率與融合前特征的分類準(zhǔn)確率進(jìn)行對(duì)比,驗(yàn)證特征集成融合算法的有效性.實(shí)驗(yàn)結(jié)果見表1.表中,融合后特征指本文算法得到的最優(yōu)特征;全腦全部特征指未經(jīng)融合的所有特征;全部體積特征指未經(jīng)融合的所有體積特征;全部紋理特征指未經(jīng)融合的所有紋理特征.分別針對(duì)對(duì)比組CTL和AD以及對(duì)比組CTL和MCI進(jìn)行實(shí)驗(yàn),采用leave-one-out交叉校驗(yàn)法,統(tǒng)計(jì)分類準(zhǔn)確率,重復(fù)30次,得到平均結(jié)果.

表1　融合特征前后的分類性能對(duì)比

由表1可見,經(jīng)本文算法集成融合后,特征數(shù)明顯減少,有利于降低分類復(fù)雜度,減小時(shí)間代價(jià),分類準(zhǔn)確率明顯提高.另外,對(duì)于對(duì)比組CTL和AD以及對(duì)比組CTL和MCI,融合后的特征數(shù)目不一樣,這說明針對(duì)不同類別,需要進(jìn)行具體的融合操作.單獨(dú)使用體積特征或紋理特征時(shí)準(zhǔn)確率不如采用全部特征的結(jié)果,說明將體積特征和紋理特征結(jié)合在一起有助于提高分類準(zhǔn)確率.

根據(jù)本文算法所選的特征在不同解剖結(jié)構(gòu)中的個(gè)數(shù)見表2.由表可見,基于對(duì)比組CTL和AD,集成融合后選中的紋理特征分布于4個(gè)解剖結(jié)構(gòu)中,而體積特征僅分布于腦脊髓液和灰質(zhì)中.被選特征具有明顯的不對(duì)稱性,即同一個(gè)解剖結(jié)構(gòu)的被選特征數(shù)目在左右腦分布不一致.例如,白質(zhì)的被選特征中左腦紋理特征數(shù)目低于右腦,灰質(zhì)的被選特征中左腦紋理特征數(shù)目高于右腦.基于對(duì)比組CTL和AD以及對(duì)比組CTL和MCI,被選特征數(shù)目在不同解剖結(jié)構(gòu)中的分布也是不一樣的.這說明不同特征對(duì)于不同類別分類的作用各不相同.

表2　集成融合后特征在各解剖結(jié)構(gòu)中的個(gè)數(shù)

2.3集成融合與假設(shè)檢驗(yàn)特征選擇的分類性能對(duì)比

p值法是分析特征與類別相關(guān)性的常用方法,也是目前醫(yī)學(xué)領(lǐng)域(包括疾病輔助診斷)中常用的方法,能起到篩選特征的作用.從特征選擇的角度看,這一方法沒有考慮特征間的冗余性,提高分類準(zhǔn)確率的作用有限.表3為p值法與本文算法的對(duì)比結(jié)果.由表可見,利用本文算法集成融合后的特征所獲得的準(zhǔn)確率、靈敏度和特異度更高.此外,當(dāng)p值法中所取閾值較小時(shí),被選特征數(shù)目較少,分類準(zhǔn)確率也明顯下降,可能原因?yàn)殚撝递^小時(shí)特征選擇條件嚴(yán)苛,使得一些分類能力強(qiáng)的特征被篩掉.

表3　集成融合與p值法特征選擇的分類性能對(duì)比

2.4融合后特征分類能力實(shí)驗(yàn)

本組實(shí)驗(yàn)的目的是驗(yàn)證集成融合后的特征中單個(gè)特征對(duì)3類樣本的分類能力,以驗(yàn)證所提特征集成融合算法的性能.在融合后的特征中,選擇了4個(gè)特征.針對(duì)每個(gè)特征,計(jì)算每類樣本的均值和標(biāo)準(zhǔn)差,結(jié)果見表4.由表可知,針對(duì)每個(gè)特征,3類樣本的均值呈現(xiàn)出單調(diào)性變化,這說明利用本文算法融合的特征的分類能力較好,并且還具有跟蹤監(jiān)測(cè)病變過程的能力.這一結(jié)果再次證明了本文算法的高效性.

表4　最優(yōu)特征子集中部分特征

注：FLRLGE,L為左腦灰質(zhì)長(zhǎng)游程低灰度級(jí)加重;FLGRE,L為左腦灰質(zhì)低灰度級(jí)游程加重;FSRE,L,FSRE,R分別為左腦灰質(zhì)和右腦灰質(zhì)的短游程加重.

2.5基于少量特征的分類實(shí)驗(yàn)

本組實(shí)驗(yàn)的目的是驗(yàn)證本文算法融合后的特征具有良好的分類能力.從被選特征中任選的3個(gè)特征的樣本散點(diǎn)圖見圖3(a),這些特征為左腦灰質(zhì)長(zhǎng)游程高灰度級(jí)加重FLRHGE,L、左腦灰質(zhì)短游程低灰度級(jí)加重FSRLGE,L和右腦灰質(zhì)短游程加重FSRE,R.由圖可知,這3類樣本區(qū)分良好,AD樣本總體分布于下方,CTL樣本總體分布于上方,MCI樣本總體分布于中間.從未被選擇的特征中任選的3個(gè)特征的散點(diǎn)圖見圖3(b),這些特征為右腦腦脊液的能量Fenergy, R1、右腦海馬體的熵Fentropy, R1和右腦腦脊液的熵Fentropy, R2.由圖可知,大部分樣本集聚在一起,說明可分性較差.綜上可知,采用所提算法所選的特征具有良好的可分性.

3結(jié)語

本文提取了左右腦多個(gè)解剖結(jié)構(gòu)的體積和紋理特征,采用特征集成融合模型進(jìn)行了深度特征選擇,從而獲得融合后的最優(yōu)特征子集.根據(jù)該特征子集進(jìn)行AD分類診斷,分類準(zhǔn)確率顯著提高.實(shí)驗(yàn)結(jié)果表明,針對(duì)對(duì)比組CTL和AD以及對(duì)比組CTL和MCI,利用本文算法融合后的特征具有更高的分類準(zhǔn)確率.在融合后的特征中,單個(gè)特征大多具有顯著單調(diào)性,分類能力較好.

(a) 被選特征

(b) 未被選中特征

[1]TondelliM,WilcockGK,NichelliP,etal.StructuralMRIchangesdetectableuptotenyearsbeforeclinicalAlzheimer’sdisease[J]. Neurobiol Aging, 2012, 33(4): 825.e25-825.e36.DOI:10.1016/j.neurobiolaging.2011.05.018.

[2]L?tj?nenJ,WolzR,KoikkalainenJ,etal.FastandrobustextractionofhippocampusfromMRimagesfordiagnosticsofAlzheimer’sdisease[J]. Neuroimage, 2011, 56(1): 185-196.DOI:10.1016/j.neuroimage.2011.01.062.

[3]SchoonenboomNSM,vanderFlierWM,BlankensteinMA,etal.CSFandMRImarkersindependentlycontributetothediagnosisofAlzheimer’sdisease[J]. Neurobiol Aging, 2008, 29(5): 669-675.DOI:10.1016/j.neurobiolaging.2006.11.018.

[4]SalatDH.Imagingsmallvessel-associatedwhitematterchangesinaging[J]. Neuroscience, 2014, 276: 174-186.DOI:10.1016/j.neuroscience.2013.11.041.

[5]李昕, 童隆正, 周曉霞, 等. 基于MR圖像三維紋理特征的阿爾茨海默病和輕度認(rèn)知障礙的分類[J]. 中國醫(yī)學(xué)影像技術(shù), 2011, 27(5):1047-1051.

LiXin,TongLongzheng,ZhouXiaoxia,etal.Classificationof3dtexturefeaturesbasedonMRimageindiscriminationofAlzheimerdiseaseandmildcognitiveimpairmentfromnormalcontrols[J]. Chinese Journal of Medical Imaging Technology, 2011, 27(5):1047-1051.(inChinese)

[6]ChincariniA,BoscoP,CalviniP,etal.LocalMRIanalysisapproachinthediagnosisofearlyandprodromalAlzheimer’sdisease[J]. Neuroimage, 2011, 58(2): 469-480.DOI:10.1016/j.neuroimage.2011.05.083.

[7]夏宇. 基于不對(duì)稱腦圖像特征的阿爾茲海默病自動(dòng)識(shí)別方法研究[D]. 重慶: 重慶大學(xué)通信工程學(xué)院, 2013.

[8]KimJ,LeeJH.Integrationofstructuralandfunctionalmagneticresonanceimagingimprovesmildcognitiveimpairmentdetection[J]. Magn Reson Imaging, 2013, 31(5): 718-732.DOI:10.1016/j.mri.2012.11.009.

[9]ChenYW,LinCL,MimoriA.Multimodalmedicalimageregistrationusingparticleswarmoptimization[C]//2008 IEEE International Conference on Intelligent Systems Design and Applications.Kaohsiung,China, 2008:127-131.

[10]BaillardC,HellierP,BarillotC.Segmentationofbrain3DMRimagesusinglevelsetsanddenseregistration[J]. Medical Image Analysis, 2001, 5(3):185-194.

[11]GuptaL,SortrakulT.AGaussian-mixture-basedimagesegmentationalgorithm[J]. Pattern Recognition, 1998, 31(3):315-325.

[12]TsaiKJ,YangCH,LeePC,etal.AsymmetricexpressionpatternsofbraintransthyretininnormalmiceandatransgenicmousemodelofAlzheimer’sdisease[J]. Neuroscience, 2009, 159(2):638-646.DOI:10.1016/j.neuroscience.2008.12.045.

[13]TogaAW,ThompsonPM.Mappingbrainasymmetry[J]. Nature Reviews Neuroscience, 2003, 4(1):37-48.DOI:10.1038/nrn1009.

[14]LiYongming,ZengXiaoping,HanLiang,etal.Twocodingbasedadaptiveparallelco-geneticalgorithmwithdoubleagentsstructure[J]. Engineering Applications of Artificial Intelligence, 2010, 23(4): 526-542.DOI:10.1016/j.engappai.2009.04.004.

[15]PetersenRC,AisenPS,BeckettLA,etal.Alzheimer’sdiseaseneuroimaginginitiative(ADNI):clinicalcharacterization[J]. Neurology, 2010, 74(3): 201-209.DOI:10.1212/WNL.0b013e3181cb3e25.

ADdiagnosisbasedonintegratedfusionofMRimagefeatures

LiYongming1,2LüYang1LiFan1WangPin1QiuMingguo2LiuShujun1YanJin1

(1CollegeofCommunicationEngineering,ChongqingUniversity,Chongqing400044,China)(2CollegeofBiomedicalEngineering,TheThirdMilitaryMedicalUniversity,Chongqing400038,China)

Abstract:In order to obtain higher and more stable diagnostic accuracy of Alzheimer’s disease (AD), the texture features of magnetic resonance(MR) images were integrated and fused for AD diagnosis. First, the volume and texture features of the left and right parts of multiple anatomical structures were extracted based on pathological knowledge. Secondly, by combining the chain-like agent genetic algorithm (CAGA) and support vector machine (SVM), a feature selection classification ensemble model was designed to conduct deep feature selection and realize feature fusion. Finally, the fused features were used for classification and diagnosis of AD and the classification results are compared with those before fusion and those obtained by the p-value method. The experimental results show that the features fused by this proposed algorithm have higher and more stable classification accuracy, sensitivity and specificity than the features before fusion and the features selected by the p-value method.

Key words:magnetic resonance(MR) image; Alzheimer’s disease (AD); image feature fusion; feature selection classification ensemble model; chain-like agent genetic algorithm(CAGA); support vector machine(SVM)

doi:10.3969/j.issn.1001-0505.2016.02.008

收稿日期:2015-06-08.

作者簡(jiǎn)介:李勇明(1976—)，男，博士，副教授；邱明國(聯(lián)系人)，男，博士，教授，qiumg_2002@sina.com.

基金項(xiàng)目:國家自然科學(xué)基金資助項(xiàng)目 (61108086，91438104，11304382)、 中國博士后科學(xué)基金資助項(xiàng)目(2013M532153)、中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(CDJZR12160011，CDJZR13160008，CDJZR155507)、重慶市博士后科研項(xiàng)目特別資助項(xiàng)目.

中圖分類號(hào):R445.2;R741

文獻(xiàn)標(biāo)志碼:A

文章編號(hào):1001-0505(2016)02-0271-06

引用本文: 李勇明，呂洋,李帆,等.基于磁共振影像特征集成融合的AD診斷[J].東南大學(xué)學(xué)報(bào)(自然科學(xué)版),2016,46(2):271-276.DOI:10.3969/j.issn.1001-0505.2016.02.008.