[发明专利]基于高斯过程分类的阿尔茨海默症分类方法、系统及装置

说明书

本发明公开了一种基于高斯过程分类的阿尔茨海默症分类方法、系统及装置，方法包括：获取阿尔茨海默症的磁共振成像数据；采用基于总相关系数的关键特征提取算法从获取的磁共振成像数据提取出用于阿尔茨海默症分类的关键特征；根据提取出的关键特征采用高斯过程分类器对待分类数据进行分类，得到阿尔茨海默症的分类结果。系统包括数据获取模块、特征提取模块和分类模块。装置包括存储器和处理器。本发明通过基于总相关系数的关键特征提取算法提升了阿尔茨海默症的特征提取效率，同时通过高斯过程分类器保证了阿尔茨海默症的分类性能，容易实现，且非线性处理性能更好。本发明可广泛应用于计算机辅助诊断领域。

技术领域

本发明涉及计算机辅助诊断领域，尤其是一种基于高斯过程分类的阿尔茨海默症分类方法、系统及装置。

背景技术

阿尔茨海默症(Alzheimer's Disease，AD)是一种不可逆的慢性神经系统退行性疾病，是一种持续性高级神经功能活动障碍。AD现有的药物治疗手段非常有限，但早期准确发现、治疗能减缓疾病进程。轻度认知损害(Mild Cognitive Impairment，MCI)是介于正常健康者(Health Controllers，HC)和AD之间的过渡阶段，MCI患者是AD的高危人群。国内外的研究指出，AD的重要病理学征象和生物标示，可以通过磁共振成像(Magnetic ResonanceImaging，MRI)进行测量。从MRI提取有效特征，以对AD、MCI和HC三个阶段进行分类识别的方法，是近年来研究的热点。

MRI具有“高维度”和“信息量大”的特点，但并非从MRI中提取到的所有特征都对AD的分类起到关键作用。从MRI提供的大量特征中寻找到用以区分AD、MCI和HC三个阶段的关键特征，成为当前研究工作的重点。但是，遍历特征的所有组合情况是一个NP难(Nondeterminism Polynomial-Hard，NP-Hard)问题，因此在特征选择方法上，需要选择高效方法。

总体相关系数(Collective Correlation Coefficient,CCC)是基于粗集理论和主成分分析的知识获取方法(KA-RSPCA)的重要组成部分。KA-RSPCA是在决策表信息系统中知识或条件属性存在冗余的背景下提出的高效属性简约方法。其中CCC值是条件属性与所有主成分的关联程度的加权平均，衡量了每个条件属性对决策表“因”信息的贡献度。CCC值能使得对“因”信息贡献度大的属性以大概率被作为关键特征保留，有助于提升特征提取的效率。

在特征分类的问题上，可选的分类模型有很多而且分类效果相当。但是，在这些分类模型中，高斯过程分类器(Gaussian Process Classifier,GPC)有着显著优点。与人工神经网络(Artificial Neural Network,ANN)和支持向量机(Support Vector Machine,SVM)相比，高斯过程分类器的优点主要有以下三点：1)在不牺牲性能的条件下容易实现，在模型构建过程中自动获取超参数，具有完全的贝叶斯公式化表示，预测输出具有清晰的概率解释；2)由于高斯过程采用核函数，这使得它具有较强的非线性处理性能，可以解决线性不可分和特征维数过多的问题，从而在一定程度上避免了ANN中的“维数灾难”问题；3)高斯过程为贝叶斯学习提供了一个范式，根据训练样本可以从先验分布转换到后验分布，并可以对核函数的超参数进行推理；而SVM对超参数的选择却通常只能采用经验法或交叉验证方法。因此，高斯过程分类在生物医学和图像识别领域得到了广泛的应用，并已取得了较为显著的研究成果。

然而，目前尚未见到将总体相关系数与高斯过程分类相结合来进行阿尔茨海默症特征提取与分类的报道，阿尔茨海默症的特征提取的效率和分类效果有待进一步提升。

发明内容

为解决上述技术问题，本发明的目的在于：提供一种效率高和分类性能好的，基于高斯过程分类的阿尔茨海默症分类方法、系统及装置。

本发明所采取的第一技术方案是：

基于高斯过程分类的阿尔茨海默症分类方法，包括以下步骤：