1.一种基于分层集成学习的阿尔茨海默症分类方法,其特征在于,包括如下步骤:
S1、获取阿尔茨海默症的核磁共振图像;
S2、对步骤S1获得的核磁共振图像进行预处理;
S3、将预处理之后的图像,以切片为单位输入基于分层集成学习的模型中,采用预先训练好的深层神经网络提取特征矩阵,将提取的特征矩阵输入到分类器中进行分类,得到切片级别的粗预测结果;
S4、将步骤S3得到的粗预测结果进行集成,再次经分类器分类,得到切片的细分类预测结果;
S5、将步骤S4得到的细分类预测结果进行集成,再次进行经分类器进行分类预测,得到病人级别的阿尔茨海默症的最终分类结果。
2.根据权利要求1所述的一种基于分层集成学习的阿尔茨海默症分类方法,其特征在于,步骤S2中,所述的预处理,是利用SPM12将阿尔茨海默症病人的核磁共振图像的切片进行预处理,将nii格式的图像进行头部校正--时间层校正--配准--分割,最终经过分割得到脑灰质、脑白质、脑脊液、颅骨分离。
3.根据权利要求1所述的一种基于分层集成学习的阿尔茨海默症分类方法,其特征在于,步骤S3中,所述的基于分层集成学习的模型包括三层,第一层采用M个特征,并为每个特征训练一个分类器,给定一个切片,生成一个中间概率特征向量y∈[0,1]1×|C|×M,其元素yc,m表示切片由分类器m预测的属于c类的概率;第二层进行“分类器智能集成”,以粗预测y为输入,输出一个精细化的预测,记为Z∈[0,1]1×|C|;第三层将所有的N个精细预测结果连接起来得Z1,...,ZN,再一次用它作为特征来预测最终结果。
4.根据权利要求1所述的一种基于分层集成学习的阿尔茨海默症分类方法,其特征在于,步骤S3中,所述的采用预先训练好的深层神经网络提取特征矩阵,具体是将分割得到的脑灰质切片,输入到预先训练好的VGG19、ALEXNET网络中进行特征提取,每张切片得到
1x4096维的特征矩阵。
5.根据权利要求1所述的一种基于分层集成学习的阿尔茨海默症分类方法,其特征在于,步骤S3中,所述的分类器,为支持向量机和极限学习机分类器。