一種基于多尺度網(wǎng)格曲面形狀特征的阿爾茨海默病腦皮層自動(dòng)分類方法
【專利摘要】本發(fā)明公開了一種基于多尺度網(wǎng)格曲面形狀特征的阿爾茨海默病腦皮層自動(dòng)分類方法，步驟如下：確定阿爾茨海默病患者(AD)和正常人(NC)兩組樣本，并等比例分成樣本集和測試集；依據(jù)樣本的腦部磁共振(MRI)圖像提取多尺度網(wǎng)格曲面；針對(duì)各頂點(diǎn)計(jì)算局部點(diǎn)面距離(LVPD)和平均曲率；以平滑過的LVPD和平均曲率為觀測指標(biāo)，提取具有顯著統(tǒng)計(jì)學(xué)差異的區(qū)域，并篩選出兩種指標(biāo)意義下的種子點(diǎn)；對(duì)訓(xùn)練集每個(gè)樣本提取特征行向量，構(gòu)成特征矩陣，用降維后的特征矩陣結(jié)合相應(yīng)樣本類別來訓(xùn)練分類器；用測試集樣本測試分類器性能。本發(fā)明克服了現(xiàn)有技術(shù)易受皮層分割誤差影響和可能遺漏某個(gè)尺度差異的缺點(diǎn)，實(shí)現(xiàn)了依據(jù)腦皮層多尺度形狀特征為依據(jù)的兩組樣本分類。
【專利說明】-種基于多尺度網(wǎng)格曲面形狀特征的阿爾茨海默病腦皮層 自動(dòng)分類方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于醫(yī)學(xué)圖像處理【技術(shù)領(lǐng)域】，尤其是涉及一種基于多尺度網(wǎng)格曲面形狀特 征的阿爾茨海默病腦皮層自動(dòng)分類方法，該方法可以利用腦皮層的形狀特征檢測阿爾茨海 默病病例，具有臨床輔助診斷的作用。

【背景技術(shù)】
[0002] 隨著人口老齡化問題的日益突出，關(guān)注老年人生存質(zhì)量，關(guān)注包括阿爾茨海默病 (Alzheimer' s Disease, AD)在內(nèi)的老年疾病，探索認(rèn)識(shí)、預(yù)防和治療此類疾病的新方法和 新手段對(duì)提高社會(huì)的整體生活質(zhì)量有實(shí)際價(jià)值。
[0003] AD的成因復(fù)雜，發(fā)展過程是漸進(jìn)的，并且臨床表現(xiàn)各異，特別是早期并沒有明顯的 臨床癥狀，在成像技術(shù)成熟以前，AD只有等到患者去世后對(duì)其進(jìn)行腦部解剖才能確診。腦部 磁共振成像（Magnetic Resonance Imaging, MRI)技術(shù)已經(jīng)可以獲得較好空間分辨率（典 型值1 X 1 X 1毫米）的三維大腦內(nèi)部圖像，從而為非侵入式地研究AD患者的大腦形態(tài)與疾 病之間的關(guān)系提供了數(shù)據(jù)基礎(chǔ)。因而采用MRI進(jìn)行腦部掃描，提取具有預(yù)測或者指示性的 特征，進(jìn)而自動(dòng)地完成診斷分類，已成為重要的輔助診斷措施。
[0004] 現(xiàn)有的基于MRI的AD病例分類方法主要包括以下兩類：
[0005] 1、基于全腦的分類方法：典型代表為基于體素（voxel-based)或皮層厚度 (cortical thickness)的分類方法，然而在基于體素的框架下，選擇更多的特征并不能提 升分類性能但卻明顯地增加了計(jì)算時(shí)間，而且年齡較大的NC組病例（正常老化）和較年輕 的AD病人很容易被混淆和誤判。而皮層厚度方法不可避免地涉及到組織分割或者功能結(jié) 構(gòu)分割，由于存在較大的個(gè)體差異，該方法對(duì)分割算法的精度和操作者的經(jīng)驗(yàn)和耐心都是 極大的挑戰(zhàn)，并且不具備多尺度特性，可能存在遺漏某個(gè)尺度上的差異；
[0006] 2、基于感興趣區(qū)域的分類方法：比如基于海馬體和顳葉局部區(qū)域的分類方法，涉 及到組織分割和功能結(jié)構(gòu)分割，因此與皮層厚度方法類似，該方法同樣容易受到組織分割 精度和絕對(duì)觀測值誤差的影響。


【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的是針對(duì)上述已有技術(shù)的不足，提出一種基于多尺度網(wǎng)格曲面形狀 特征的阿爾茨海默病腦皮層自動(dòng)分類方法，以克服常用AD腦皮層分類方法的易受皮質(zhì)分 割誤差影響和可能存在某個(gè)尺度上的差異遺漏的缺點(diǎn)，實(shí)現(xiàn)多尺度的阿爾茨海默病樣本分 類。
[0008] 為解決上述技術(shù)問題，本發(fā)明的技術(shù)方案是：
[0009] -種基于多尺度網(wǎng)格曲面形狀特征的阿爾茨海默病腦皮層自動(dòng)分類方法，從形態(tài) 學(xué)的角度，在多個(gè)尺度上分析正常人（NC)和阿爾茨海默?。ˋD)的腦皮層形狀特征具有顯 著統(tǒng)計(jì)學(xué)差異的區(qū)域，采用基于種子點(diǎn)選擇和區(qū)域生長準(zhǔn)則的方法對(duì)每個(gè)樣本進(jìn)行穩(wěn)定特 征提取，使用訓(xùn)練集數(shù)據(jù)訓(xùn)練分類器，從而實(shí)現(xiàn)兩組樣本的分類，包括如下步驟：
[0010] (1)按臨床醫(yī)學(xué)診斷標(biāo)準(zhǔn)，分別采集正常人對(duì)照組（NC)和阿爾茨海默病組（AD)的 大腦磁共振圖像，兩組樣本的數(shù)目相等或接近，并從兩組樣本中等比例地選擇一部分樣本 用作訓(xùn)練集，剩余的作為測試集；
[0011] (2)針對(duì)所有樣本的大腦核磁共振圖像，經(jīng)過圖像強(qiáng)度矯正、配準(zhǔn)至標(biāo)準(zhǔn)腦、灰質(zhì) /白質(zhì)/腦脊液分割、腦皮層表面提取與配準(zhǔn)、頂點(diǎn)采樣等過程得到各樣本腦皮層的各尺度 三角網(wǎng)格曲面Gj(l彡j彡L)，j稱為網(wǎng)格曲面Gj的尺度，且心為最精細(xì)網(wǎng)格曲面，心為最 粗糙網(wǎng)格曲面；
[0012] (3)記第j級(jí)三角網(wǎng)格曲面Gj中任意頂點(diǎn)為P，定義頂點(diǎn)p的1-環(huán)鄰域內(nèi)的頂點(diǎn) 構(gòu)成的集合為E p，并用集合Ep內(nèi)的所有頂點(diǎn)構(gòu)造一個(gè)平面fp，記頂點(diǎn)p到該平面fp的距離 為頂點(diǎn)P的局部點(diǎn)面距離d p ;
[0013] (4)計(jì)算各尺度網(wǎng)格上頂點(diǎn)p的局部點(diǎn)面距離dp和該頂點(diǎn)的平均曲率cp，并用半 高全寬半徑為10毫米的擴(kuò)散核函數(shù)對(duì)d p和cp分別進(jìn)行平滑，得到平滑后的局部點(diǎn)面距離 d' p和平均曲率c' p;
[0014] (5)結(jié)合樣本人口學(xué)信息，建立關(guān)于觀測值與性別、年齡和分組類別的多元線性回 歸模型，以各尺度網(wǎng)格上頂點(diǎn)的局部點(diǎn)面距離d' p為觀測值，通過雙樣本T檢驗(yàn)對(duì)AD和NC 兩組的訓(xùn)練集進(jìn)行組間比較，得到局部點(diǎn)面距離意義下各尺度網(wǎng)格上頂點(diǎn)的統(tǒng)計(jì)學(xué)差異顯 著性水平值；以各尺度網(wǎng)格上頂點(diǎn)的平均曲率W p為觀測值，通過雙樣本T檢驗(yàn)對(duì)AD和 NC兩組的訓(xùn)練集進(jìn)行組間比較，得到平均曲率意義下各尺度網(wǎng)格上頂點(diǎn)的統(tǒng)計(jì)學(xué)差異顯著 性水平值；
[0015] (6)針對(duì)訓(xùn)練集樣本，以各尺度網(wǎng)格上頂點(diǎn)的統(tǒng)計(jì)學(xué)差異顯著性水平值為標(biāo)準(zhǔn)，初 步篩選出局部點(diǎn)面距離意義下的種子點(diǎn)P di，i為篩選出的第i個(gè)種子點(diǎn)，1 < i <隊(duì)，隊(duì)為 符合初步篩選條件的所有尺度上種子點(diǎn)的總個(gè)數(shù)，d表示以局部點(diǎn)面距離為指標(biāo)；初步篩 選出平均曲率意義下的種子點(diǎn)p。,，q為篩選出的第q個(gè)種子點(diǎn)，1 < q < My M。為符合初步 篩選條件的所有尺度上種子點(diǎn)的總個(gè)數(shù)，c表示以平均曲率為指標(biāo)；
[0016] (7)針對(duì)訓(xùn)練集樣本，對(duì)每個(gè)初步篩選出的種子點(diǎn)pdi進(jìn)行區(qū)域生長，得到每個(gè)種 子點(diǎn)對(duì)應(yīng)的差異區(qū)域頂點(diǎn)集合J di，其中1 < i < N，N是經(jīng)過二次篩選后的局部點(diǎn)面距離意 義下的所有尺度上種子點(diǎn)的總個(gè)數(shù)；對(duì)每個(gè)初步篩選出的種子點(diǎn)P。,進(jìn)行區(qū)域生長得到每 個(gè)種子點(diǎn)對(duì)應(yīng)的差異區(qū)域頂點(diǎn)集合J。,，其中1 < q<M，M是經(jīng)過二次篩選后的平均曲率意 義下的所有尺度上種子點(diǎn)的總個(gè)數(shù)； _7] (8)針對(duì)訓(xùn)練集每個(gè)樣本，計(jì)算各個(gè)差異區(qū)域頂點(diǎn)集合Jdi(l彡i彡N)內(nèi)所有頂 點(diǎn)的局部點(diǎn)面距離均值udi (1彡i彡N)，以種子點(diǎn)序號(hào)從小到大的順序排列udi，得到表征每 個(gè)樣本各尺度上局部點(diǎn)面距離大小的行向量Ud = [udi，i = 1. . . N];
[0018] (9)針對(duì)訓(xùn)練集每個(gè)樣本，計(jì)算每一個(gè)差異區(qū)域頂點(diǎn)集合1(1彡q彡Μ)內(nèi)所有 頂點(diǎn)的平均曲率均值u。, (1 < q < Μ)，以種子點(diǎn)序號(hào)從小到大的順序排列u。,，得到表征每個(gè) 樣本各尺度上平均曲率大小的行向量U。= [Uq，q = 1. . . M];
[0019] (10)針對(duì)訓(xùn)練集每個(gè)樣本，將行向量Ud = [udi，i = 1. . . N]和行向量U。= [uC(1，q =1. . . Μ]合并成為得到表征每個(gè)樣本所有尺度上形狀特征大小的行向量U = [udi, u?！梗琲 =1. . . Ν，q = 1. . . Μ,將樣本集內(nèi)所有樣本的行向量U構(gòu)成每行元素個(gè)數(shù)為Ν+Μ的特征矩 陣T;
[0020] (11)對(duì)特征矩陣Τ進(jìn)行歸一化，并使用主分量分析進(jìn)行降維處理，選取每一行的 前Κ個(gè)元素 ，Κ < Ν+Μ，構(gòu)成訓(xùn)練集的降維特征矩陣f ;
[0021] (12)對(duì)測試集的所有樣本采用與步驟（6)到步驟（11)相同的方法，計(jì)算測試集的 降維特征矩陣. ?
[0022] (13)將訓(xùn)練集的降維特征矩陣f和各樣本的分組類別輸入支撐向量機(jī)完成分類 器的訓(xùn)練，輸出經(jīng)過訓(xùn)練得到的分類器的各項(xiàng)系數(shù)；
[0023] (14)為了測試分類器的性能，將測試集的降維特征矩陣L輸入相應(yīng)的分類器，并 將分類器輸出結(jié)果與樣本相應(yīng)的分類組別相比較，輸出分類的準(zhǔn)確率、敏感性和特異性的 數(shù)值。
[0024] 進(jìn)一步地，所述步驟（3)中用集合Ep內(nèi)的所有頂點(diǎn)構(gòu)造得到一個(gè)平面fp，按如下 步驟進(jìn)行：
[0025] (3a)設(shè)平面fp的方程為z = adX+aj+a；^，其中aQ，a2為平面待定系數(shù)，aQ為X 的待定系數(shù)，％為y的待定系數(shù)，a2為常數(shù)項(xiàng)的待定系數(shù)，X，y為自變量，z為因變量；
[0026] (3b)為確定平面待定系數(shù)&(|，&1，a2，構(gòu)造集合E p內(nèi)的所有頂點(diǎn)到平面fp的偏移平 方和函數(shù)
[0027]

【權(quán)利要求】
1. 一種基于多尺度網(wǎng)格曲面形狀特征的阿爾茨海默病腦皮層自動(dòng)分類方法，其特征在 于，包括如下步驟： (1) 按臨床醫(yī)學(xué)診斷標(biāo)準(zhǔn)，分別采集正常人對(duì)照組（NC)和阿爾茨海默病組（AD)的大腦 磁共振圖像，兩組樣本的數(shù)目相等或接近，并從兩組樣本中等比例地選擇一部分樣本用作 訓(xùn)練集，剩余的作為測試集； (2) 針對(duì)所有樣本的大腦核磁共振圖像，經(jīng)過圖像強(qiáng)度矯正、配準(zhǔn)至標(biāo)準(zhǔn)腦、灰質(zhì)/白 質(zhì)/腦脊液分割、腦皮層表面提取與配準(zhǔn)、頂點(diǎn)采樣等過程得到各樣本腦皮層的各尺度三 角網(wǎng)格曲面Gj (1 < j < L)，j稱為網(wǎng)格曲面Gj的尺度，且為最精細(xì)網(wǎng)格曲面，Gu為最粗 糙網(wǎng)格曲面； (3) 記第j級(jí)三角網(wǎng)格曲面6」中任意頂點(diǎn)為p，定義頂點(diǎn)p的1-環(huán)鄰域內(nèi)的頂點(diǎn)構(gòu)成 的集合為Ep，并用集合E p內(nèi)的所有頂點(diǎn)構(gòu)造一個(gè)平面fp，記頂點(diǎn)p到該平面fp的距離為頂 點(diǎn)P的局部點(diǎn)面距尚d p ; (4) 計(jì)算各尺度網(wǎng)格上頂點(diǎn)p的局部點(diǎn)面距離dp和該頂點(diǎn)的平均曲率cp，并用半高全 寬半徑為10毫米的擴(kuò)散核函數(shù)對(duì)d p和cp分別進(jìn)行平滑，得到平滑后的局部點(diǎn)面距離dp和 平均曲率c' p; (5) 結(jié)合樣本人口學(xué)信息，建立關(guān)于觀測值與性別、年齡和分組類別的多元線性回歸模 型，以各尺度網(wǎng)格上頂點(diǎn)的局部點(diǎn)面距離d' p為觀測值，通過雙樣本T檢驗(yàn)對(duì)AD和NC兩 組的訓(xùn)練集進(jìn)行組間比較，得到局部點(diǎn)面距離意義下各尺度網(wǎng)格上頂點(diǎn)的統(tǒng)計(jì)學(xué)差異顯著 性水平值；以各尺度網(wǎng)格上頂點(diǎn)的平均曲率c' p為觀測值，通過雙樣本T檢驗(yàn)對(duì)AD和NC 兩組的訓(xùn)練集進(jìn)行組間比較，得到平均曲率意義下各尺度網(wǎng)格上頂點(diǎn)的統(tǒng)計(jì)學(xué)差異顯著性 水平值； (6) 針對(duì)訓(xùn)練集樣本，以各尺度網(wǎng)格上頂點(diǎn)的統(tǒng)計(jì)學(xué)差異顯著性水平值為標(biāo)準(zhǔn)，初步篩 選出局部點(diǎn)面距離意義下的種子點(diǎn)pdi，i為篩選出的第i個(gè)種子點(diǎn)，1 < i <隊(duì)，隊(duì)為符合 初步篩選條件的所有尺度上種子點(diǎn)的總個(gè)數(shù)，d表示以局部點(diǎn)面距離為指標(biāo)；初步篩選出 平均曲率意義下的種子點(diǎn)P。,，q為篩選出的第q個(gè)種子點(diǎn)，1 < q < My M。為符合初步篩選 條件的所有尺度上種子點(diǎn)的總個(gè)數(shù)，c表示以平均曲率為指標(biāo)； (7) 針對(duì)訓(xùn)練集樣本，對(duì)每個(gè)初步篩選出的種子點(diǎn)pdi進(jìn)行區(qū)域生長，得到每個(gè)種子點(diǎn) 對(duì)應(yīng)的差異區(qū)域頂點(diǎn)集合J di，其中1彡i彡N，N是經(jīng)過二次篩選后的局部點(diǎn)面距離意義下 的所有尺度上種子點(diǎn)的總個(gè)數(shù)；對(duì)每個(gè)初步篩選出的種子點(diǎn)P。,進(jìn)行區(qū)域生長得到每個(gè)種 子點(diǎn)對(duì)應(yīng)的差異區(qū)域頂點(diǎn)集合J。,，其中1 < q<M，M是經(jīng)過二次篩選后的平均曲率意義下 的所有尺度上種子點(diǎn)的總個(gè)數(shù)； (8) 針對(duì)訓(xùn)練集每個(gè)樣本，計(jì)算各個(gè)差異區(qū)域頂點(diǎn)集合Jdi(l < i < N)內(nèi)所有頂點(diǎn)的 局部點(diǎn)面距離均值udi (1彡i彡N)，以種子點(diǎn)序號(hào)從小到大的順序排列udi，得到表征每個(gè)樣 本所有尺度上局部點(diǎn)面距離大小的行向量U d = [udi，i = 1. . . N]; (9) 針對(duì)訓(xùn)練集每個(gè)樣本，計(jì)算每一個(gè)差異區(qū)域頂點(diǎn)集合< q<M)內(nèi)所有頂點(diǎn) 的平均曲率均值u。, (1 < q < M)，以種子點(diǎn)序號(hào)從小到大的順序排列μ。,，得到表征每個(gè)樣 本所有尺度上平均曲率大小的行向量U。= [Uq, q = 1. . . Μ]; (10) 針對(duì)訓(xùn)練集每個(gè)樣本，將行向量Ud = [udi，i = 1. . .N]和行向量U。= [、，q = 1. . . M]合并成為得到表征每個(gè)樣本所有尺度上形狀特征大小的行向量U = [udi, u?！?，i =
1. . . N，q = 1. . . M，將訓(xùn)練集所有樣本行向量U構(gòu)成每行元素個(gè)數(shù)為N+M的訓(xùn)練集特征矩陣 T ； (11) 對(duì)訓(xùn)練集特征矩陣T進(jìn)行歸一化，并使用主分量分析進(jìn)行降維處理，選取每一行 的前K個(gè)元素 ，K < N+M，構(gòu)成訓(xùn)練集的降維特征矩陣f ; (12) 對(duì)測試集所有樣本采用與步驟（6)到步驟（11)相同的方法，計(jì)算測試集的降維特 征矩陣. 9 (13) 將訓(xùn)練集的降維特征矩陣f和各樣本的分組類別輸入支撐向量機(jī)完成分類器的 訓(xùn)練，輸出經(jīng)過訓(xùn)練得到的分類器的各項(xiàng)系數(shù)； (14) 為了測試分類器的性能，將測試集的降維特征矩陣iL,輸入相應(yīng)的分類器，并將分 類器輸出結(jié)果與樣本相應(yīng)的分類組別相比較，輸出分類的準(zhǔn)確率、敏感性和特異性的數(shù)值。
2.根據(jù)權(quán)利要求1所述的一種基于多尺度網(wǎng)格曲面形狀特征的阿爾茨海默病腦皮層 自動(dòng)分類方法，其特征在于，其中所述步驟（3)中用集合Ep內(nèi)的所有頂點(diǎn)構(gòu)造得到一個(gè)平 面&，按如下步驟進(jìn)行： (3a)設(shè)平面fp的方程為z = adX+aj+a；^，其中aQ，ap a2為平面待定系數(shù)，aQ為X的待 定系數(shù)，％為y的待定系數(shù)，a2為常數(shù)項(xiàng)的待定系數(shù)，X，y為自變量，z為因變量； (3b)為確定平面待定系數(shù)％，&1，a2，構(gòu)造集合Ep內(nèi)的所有頂點(diǎn)到平面f p的偏移平方和 函數(shù)S :
其中（XpypzD為集合Ep中第i個(gè)頂點(diǎn)的坐標(biāo)，i = 1，2. . .n，n為集合Ep中頂點(diǎn)的個(gè) 數(shù)； (3c)根據(jù)極小值的判定方法，利用函數(shù)S分別對(duì)平面待定系數(shù)％，％，a2求偏導(dǎo)，得到 如下方程組：
其中，（Xi，yi，Zi)為集合Ep中第i個(gè)頂點(diǎn)的坐標(biāo)，i = 1，2. . . η ; (3d)解上面的方程組得到平面待定系數(shù)％，ai，a2為：
其中[·Γ表示矩陣[·]的逆陣； (3e)將平面待定系數(shù)％，ai，a2代入平面fp的方程ζ中，即得到了所要構(gòu)造的平面f p， 此時(shí)集合Ep內(nèi)的所有頂點(diǎn)到平面fp的偏移平方和函數(shù)S為極小值。
3. 根據(jù)權(quán)利要求1所述的一種基于多尺度網(wǎng)格曲面形狀特征的阿爾茨海默病腦皮層 自動(dòng)分類方法，其特征在于，其中步驟（5)所述建立多元線性回歸模型如下： Y ~ b〇+b1A+b2S+b3P 3) 其中，Y為觀測值，在本發(fā)明中具體指各頂點(diǎn)處的局部點(diǎn)面距離或平均曲率，A是每個(gè) 樣本對(duì)應(yīng)的年齡，S是每個(gè)樣本對(duì)應(yīng)的性別，P是每個(gè)樣本對(duì)應(yīng)組別（即AD或NC)，Iv bp b2,b3是待定系數(shù)。
4. 根據(jù)權(quán)利要求1所述的一種基于多尺度網(wǎng)格曲面形狀特征的阿爾茨海默病腦皮層 自動(dòng)分類方法，其特征在于，其中步驟（6)所述的初步篩選，通過如下方法進(jìn)行： (6a)把各尺度上所選觀測值意義下存在顯著差異的簇包含的所有頂點(diǎn)，將其對(duì)應(yīng)到解 剖結(jié)構(gòu)模板上，得到各尺度上具有顯著差異的解剖學(xué)結(jié)構(gòu)； (6b)針對(duì)各尺度上所選觀測值意義下每一個(gè)具有顯著差異解剖學(xué)結(jié)構(gòu)內(nèi)所有頂點(diǎn)，檢 測該解剖學(xué)結(jié)構(gòu)的顯著性水平值的極小值，每個(gè)極小值頂點(diǎn)被篩選作該尺度上所選觀測值 意義下的一個(gè)種子點(diǎn)。
5. 根據(jù)權(quán)利要求1所述的一種基于多尺度網(wǎng)格曲面形狀特征的阿爾茨海默病腦皮層 自動(dòng)分類方法，其特征在于，其中步驟（7)所述的區(qū)域生長，通過如下方法進(jìn)行： (7a)設(shè)定閾值ξ，0< ξ <0.25,將種子點(diǎn)所在尺度的腦皮層網(wǎng)格曲面所有頂點(diǎn)的 顯著性水平值從小到大排列，選擇前％X ξ個(gè)頂點(diǎn)的平均顯著性水平值作為該尺度上種 子點(diǎn)區(qū)域生長的閾值S，其中j為種子點(diǎn)所在尺度，％為j尺度上網(wǎng)格曲面Gj的頂點(diǎn)數(shù)， 1 ^ j ^ L ； (7b)從每個(gè)種子點(diǎn)開始，在該種子點(diǎn)所在尺度的網(wǎng)格曲面上逐漸向外圍擴(kuò)展，并依次 累加擴(kuò)展過程中碰到的頂點(diǎn)的顯著性水平值，直到累加值達(dá)到閾值S或擴(kuò)散到其它解剖 結(jié)構(gòu)時(shí)停止，此時(shí)擴(kuò)展過程涉及到的頂點(diǎn)的集合即為該種子點(diǎn)對(duì)應(yīng)的差異區(qū)域頂點(diǎn)集合。
6. 根據(jù)權(quán)利要求1所述的一種基于多尺度網(wǎng)格曲面形狀特征的阿爾茨海默病腦皮層 自動(dòng)分類方法，其特征在于，其中步驟（7)所述的二次篩選，通過如下方法進(jìn)行： 若種子點(diǎn)經(jīng)過步驟（7)所述的區(qū)域生長以后，得到對(duì)應(yīng)的差異區(qū)域頂點(diǎn)集合中頂點(diǎn)的 個(gè)數(shù)小于該種子點(diǎn)所在尺度上相應(yīng)解剖結(jié)構(gòu)內(nèi)的總頂點(diǎn)數(shù)的5%，則舍棄該種子點(diǎn)，同時(shí)也 舍棄其生長的區(qū)域頂點(diǎn)集合。
【文檔編號(hào)】G06F19/00GK104102839SQ201410334011
【公開日】2014年10月15日 申請日期:2014年7月11日 優(yōu)先權(quán)日:2013年11月16日
【發(fā)明者】閆允一, 劉汝翠, 何玉杰, 郭寶龍, 孟繁杰 申請人:西安電子科技大學(xué)