融入平滑组稀疏化的脑部MRI图像分类

作者：黄帅辉; 王金凤^*

来源：中国图象图形学报, 2022, 27(03): 885-897.

• 阿尔茨海默症(AD)
• 组L1/2稀疏正则化
• 校准支持向量机(C-SVM)
• 结构化磁共振
• 组间稀疏
• 组内稀疏

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。

• 单位
  华南农业大学