融入平滑组稀疏化的脑部MRI图像分类

目的阿尔茨海默症(Alzheimer’s disease,AD)是主要的老年病之一,并正向年轻化发展。早期通过核磁共振(magnetic resonance imaging,MRI)图像识别AD的发病阶段,有助于在AD初期及时采取相关干预措施和治疗手段,控制和延缓AD疾病恶化。为此,提出了基于平滑函数的组L1/2稀疏正则化(smooth group L1/2,SGL1/2)方法。方法通过引入平滑组L1/2正则化实现组内稀疏,并将原先组L1/2方法中含有的非平滑的绝对值函数向平滑函数逼近,解决了组L1/2方法中数值计算振荡和收敛难的缺点。SGL1/2方法能够在保持分类精度的前提下,加速对模型的求解。同时在分类方法中,引入一个校准hinge函数(calibrated hinge,Chinge)代替标准支持向量机(support vector machine,SVM)中的hinge函数,形成校准SVM(calibrated SVM,C-SVM)用于疾病的分类,使处于分类平面附近的样本更倾向于分类的正确一侧,对一些难以区分的样本能够进行更好的分类。结果与其他组级别上的正则化方法相比,SGL1/2与校准支持向量机结合的分类模型对AD的识别具有更高的分类性能,分类准确率高达94.70%。结论本文提出的组稀疏分类模型,实现了组间稀疏和组内稀疏的优点,为未来AD的自动诊断提供了客观参照。