一种图像分类方法、装置及存储介质与流程

1.本发明涉及图像处理领域，尤其涉及的是一种图像分类方法、装置及存储介质。


背景技术：

2.目前，随着全球人口老龄化，全球神经性退行性疾病人群的数量正在持续增长，该疾病受到了全球的关注。现阶段医生主要依靠人群的临床评分和运动问题来诊断神经退行性疾病，而脑神经元已经在认知障碍和运动问题出现之前就已经退化了。因此，在神经退行性疾病的早期，即典型的临床症状还未出现的时候，医生很难从人群的脑影像中看出脑神经元的退化，所以医生根据人群的临床症状难以区分神经性退行性疾病人群和正常人群。
3.因此，现有技术还有待改进和发展。


技术实现要素：

4.本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种图像分类方法、装置及存储介质，旨在解决现有技术中医生主要依靠人群的临床评分和运动问题来诊断神经退行性疾病，难以区分神经性退行性疾病人群和正常人群的问题。
5.本发明解决问题所采用的技术方案如下：
6.第一方面，本发明实施例提供一种图像分类方法，其中，所述方法包括：
7.获取磁共振成像和预设的若干脑区模板，所述若干脑区模板分别对应的人脑区域划分规则不同；
8.根据所述若干脑区模板和所述磁共振成像确定若干特征矩阵，其中，所述若干特征矩阵中每一特征矩阵由所述若干脑区模板中的一个脑区模板确定；
9.对所述若干特征矩阵中的特征向量进行筛选，得到第一优化特征矩阵；
10.根据所述第一优化特征矩阵，确定所述磁共振成像对应的图像预测类别。
11.在一种实施方式中，所述根据所述若干脑区模板和所述磁共振成像确定若干特征矩阵，包括：
12.对所述磁共振成像进行图像分割，得到若干第一局部图像，其中，所述若干第一局部图像分别对应的脑组织类别不同；
13.根据每一所述脑区模板对所述若干第一局部图像分别进行区域划分，得到每一所述脑区模板对应的若干第一划分图像；
14.根据每一所述脑区模板对应的若干第一划分图像确定每一所述脑区模板对应的特征矩阵，得到所述若干特征矩阵。
15.在一种实施方式中，所述根据每一所述脑区模板对应的若干第一划分图像，确定每一所述脑区模板对应的特征矩阵，包括：
16.对每一所述脑区模板对应的若干第一划分图像分别进行特征提取，得到每一所述脑区模板对应的若干特征向量；
17.根据每一所述脑区模板对应的若干特征向量，确定每一所述脑区模板对应的特征
矩阵。
18.在一种实施方式中，所述对所述若干特征矩阵中的特征向量进行筛选，得到第一优化特征矩阵，包括：
19.获取若干关系映射矩阵和权重矩阵，其中，所述若干关系映射矩阵与所述若干脑区模板一一对应；
20.对所述若干关系映射矩阵进行稀疏约束，得到若干稀疏关系映射矩阵；
21.根据所述若干稀疏关系映射矩阵将所述若干特征矩阵映射至公共关系池中，得到公共特征矩阵，其中，所述若干稀疏关系映射矩阵与所述若干特征矩阵一一对应，且具有对应关系的一个所述稀疏关系映射矩阵和一个所述特征矩阵对应于同一所述脑区模板；
22.对所述权重矩阵进行稀疏约束，得到稀疏权重矩阵；
23.将所述稀疏权重矩阵与所述公共特征矩阵相乘，得到所述第一优化特征矩阵。
24.在一种实施方式中，所述根据所述第一优化特征矩阵，确定所述磁共振成像对应的图像预测类别，包括：
25.获取与所述磁共振成像对应的第一临床信息，根据所述第一临床信息构建第一新增特征矩阵；
26.根据所述第一新增特征矩阵和所述第一优化特征矩阵构建第一目标特征矩阵；
27.将所述第一目标特征矩阵输入多分类模型，得到所述图像预测类别。
28.在一种实施方式中，所述若干关系映射矩阵和所述权重矩阵均为预先训练过的矩阵，所述若干关系映射矩阵和所述权重矩阵的训练过程为：
29.获取核磁共振训练图像，根据所述若干脑区模板和所述核磁共振训练图像，确定与所述若干脑区模板一一对应的若干训练特征矩阵；
30.获取若干初始关系映射矩阵，其中，所述若干初始关系映射矩阵与所述若干脑区模板一一对应；
31.对所述若干初始关系映射矩阵进行稀疏约束，得到若干初始稀疏关系映射矩阵；
32.根据所述若干初始稀疏关系映射矩阵将所述若干训练特征矩阵映射至所述公共关系池中，得到公共训练特征矩阵；
33.获取初始权重矩阵、与所述核磁共振训练图像对应的真实标签；
34.获取预设函数，根据所述初始权重矩阵、所述真实标签、所述公共训练矩阵、所述若干初始关系映射矩阵确定所述预设函数中的变量，得到目标函数，并根据所述目标函数确定所述若干关系映射矩阵和所述权重矩阵。
35.在一种实施方式中，所述根据所述初始权重矩阵、所述真实标签、所述公共训练矩阵、所述若干初始关系映射矩阵确定所述预设函数中的变量，得到目标函数，并根据所述目标函数确定所述若干关系映射矩阵和所述权重矩阵，包括：
36.获取所述公共训练特征矩阵中矩阵之间的关系，得到第一关系信息；
37.对所述初始权重矩阵进行稀疏约束，得到初始稀疏权重矩阵；
38.将所述初始稀疏权重矩阵与所述公共训练特征矩阵相乘，得到稀疏训练特征矩阵；
39.获取所述稀疏训练特征矩阵中向量之间的关系，得到第二关系信息；
40.将所述若干初始关系映射矩阵、所述公共关系池、所述第一关系信息、所述第二关
系信息、所述真实标签、所述初始权重矩阵作为所述预设函数的变量，得到所述目标函数；
41.对所述目标函数进行求导，得到所述若干关系映射矩阵和所述权重矩阵，其中，所述若干关系映射矩阵与所述权重矩阵对应的所述目标函数的函数值最小。
42.在一种实施方式中，所述多分类模型为预先经过训练的模型，所述多分类模型的训练过程为：
43.根据所述关系映射矩阵和所述权重矩阵，确定所述核磁共振训练图像对应的第二优化特征矩阵；
44.获取与所述核磁共振训练图像对应的第二临床信息，根据所述第二临床信息构建第二新增特征矩阵；
45.根据所述第二优化特征矩阵和所述第二新增特征矩阵构建第二目标特征矩阵；
46.获取初始多分类模型，根据所述第二目标特征矩阵和所述真实标签对所述初始多分类模型进行训练，得到所述多分类模型。
47.第二方面，本发明实施例还提供一种图像分类装置，其中，所述装置包括：
48.获取模块，用于获取磁共振成像和预设的若干脑区模板，所述若干脑区模板分别对应的人脑区域划分规则不同；
49.确定模块，用于根据所述若干脑区模板和所述磁共振成像确定若干特征矩阵，其中，所述若干特征矩阵中每一特征矩阵由所述若干脑区模板中的一个脑区模板确定；
50.筛选模块，用于对所述若干特征矩阵中的特征向量进行筛选，得到第一优化特征矩阵；
51.预测模块，用于根据所述第一优化特征矩阵，确定所述磁共振成像对应的图像预测类别。
52.第三方面，本发明实施例还提供一种计算机可读存储介质，其上存储有多条指令，其中，所述指令适用于由处理器加载并执行，以实现上述任一所述的图像分类方法的步骤。
53.本发明的有益效果：本发明实施例通过获取磁共振成像和预设的若干脑区模板，所述若干脑区模板分别对应的人脑区域划分规则不同；根据所述若干脑区模板和所述磁共振成像确定若干特征矩阵，所述若干特征矩阵中每一特征矩阵由所述若干脑区模板中的一个脑区模板确定；对所述若干特征矩阵中的特征向量进行筛选，得到第一优化特征矩阵；根据所述第一优化特征矩阵，确定所述磁共振成像对应的图像预测类别。本发明通过提取图像特征的方法来预测不同人所拍摄的磁共振成像的类别，医生通过各磁共振成像对应的图像预测类别，结合自身医学经验，可以更加准确地区分正常人群和神经性退行性疾病人群。因此本发明可以解决现有技术中医生主要依靠人群的临床评分和运动问题来诊断神经退行性疾病，难以区分神经性退行性疾病人群和正常人群的问题。
附图说明
54.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
55.图1是本发明实施例提供的图像分类方法的流程示意图。
56.图2是本发明实施例提供的图像分类方法的整体技术流程图。
57.图3是本发明实施例提供的图像分类装置的内部模块连接图。
58.图4是本发明实施例提供的终端的原理框图。
具体实施方式
59.为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
60.需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后
……
)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
61.神经退行性疾病是由神经元的功能或结构逐渐受损引起的一类疾病，包括阿尔茨海默氏病和帕金森症等。阿尔茨海默病是世界上最常见的神经退行性疾病，它的主要病理改变是大脑皮层下结构和大脑皮质的突触和神经元受损。阿尔茨海默病最常见的早期症状是短期记忆丧失。随着疾病的进展，症状可能逐渐出现，包括语言障碍，迷失方向，情绪不稳定和失去行动力。帕金森症是世界上第二大常见的神经退行性疾病。帕金森症的主要病理改变是中脑黑质多巴胺能神经元的变性死亡，脑内纹状体多巴胺含量显著性减少。帕金森症的主要临床表现包括运动症状(震颤、动作迟缓、肌强直、步态不稳)和非运动症状(抑郁、睡眠障碍、嗅觉失灵、认知障碍)。这两种神经退行性疾病都是不可逆的且主要出现在中老年人上，并随着疾病的进展，症状会越来越严重。
62.目前，随着全球人口老龄化，全球神经性退行性疾病人群的数量正在持续增长，该疾病受到了全球的关注。现阶段医生主要依靠人群的临床评分和运动问题来诊断神经退行性疾病，而脑神经元已经在认知障碍和运动问题出现之前就已经退化了。因此，在神经退行性疾病的早期，即典型的临床症状还未出现的时候，医生很难从人群的脑影像中看出脑神经元的退化，所以医生根据人群的临床症状难以区分神经性退行性疾病人群和正常人群。
63.针对现有技术的上述缺陷，本发明提供了一种图像分类方法，所述方法通过获取磁共振成像和预设的若干脑区模板，所述若干脑区模板分别对应的人脑区域划分规则不同；根据所述若干脑区模板和所述磁共振成像确定若干特征矩阵，所述若干特征矩阵中每一特征矩阵由所述若干脑区模板中的一个脑区模板确定；对所述若干特征矩阵中的特征向量进行筛选，得到第一优化特征矩阵；根据所述第一优化特征矩阵，确定所述磁共振成像对应的图像预测类别。本发明通过提取图像特征的方法来预测不同人所拍摄的磁共振成像的类别，医生通过各磁共振成像对应的图像预测类别，结合自身医学经验，可以更加准确地区分正常人群和神经性退行性疾病人群。因此本发明可以解决现有技术中医生主要依靠人群的临床评分和运动问题来诊断神经退行性疾病，难以区分神经性退行性疾病人群和正常人群的问题。
64.如图1所示，所述方法包括如下步骤：
65.步骤s100、获取磁共振成像和预设的若干脑区模板，所述若干脑区模板分别对应的人脑区域划分规则不同。
66.随着影像学技术和机器学习的发展，机器学习被广泛用于对神经影像的分析。现
阶段最广泛使用的大脑影像数据是磁共振成像(mri)，因为它可以有效地揭示人脑结构的异常。此外，由于大脑的结构复杂多样，因此采用单一脑区模板对磁共振成像进行划分难以准确地提取每个用户的磁共振成像的图像特征，进而降低分类的正确率。因此，本实施例预先设置了若干脑区模板，这些脑区模板分别对应不同的人脑区域划分规则。
67.在一种实现方式中，所述方法还包括如下步骤：
68.步骤s200、根据所述若干脑区模板和所述磁共振成像确定若干特征矩阵，其中，所述若干特征矩阵中每一特征矩阵由所述若干脑区模板中的一个脑区模板确定。
69.具体地，由于这些脑区模板分别对应不同的人脑区域划分规则，因此根据这些脑区模板可以提取出磁共振成像对应的不同特征矩阵。相较于采用单一脑区模板划分出单独的脑组织图像来确定磁共振成像对应的图像预测类别，本实施例采用每一个脑区模板提取出磁共振成像对应的一种特征矩阵，得到多个特征矩阵并进行综合分析，可以更加准确地确定磁共振成像对应的图像预测类别。例如，如图2所示，所述若干脑区模板可以为90脑区模板、116脑区模板以及200脑区模板，基于这三种脑区模板分别划分出的人脑区域的大小和数量均有差异，因此基于这三种脑区模板提取出的磁共振成像的图像特征的维度也不相同。
70.在一种实现方式中，所述根据所述若干脑区模板和所述磁共振成像确定若干特征矩阵，包括如下步骤：
71.步骤s201、对所述磁共振成像进行图像分割，得到若干第一局部图像，其中，所述若干第一局部图像分别对应的脑组织类别不同；
72.步骤s202、根据每一所述脑区模板对所述若干第一局部图像分别进行区域划分，得到每一所述脑区模板对应的若干第一划分图像；
73.步骤s203、根据每一所述脑区模板对应的若干第一划分图像确定每一所述脑区模板对应的特征矩阵，得到所述若干特征矩阵。
74.具体地，由于神经退行性疾病发病时，人脑不同组织会产生不同的变化，因此为了准确确定磁共振成像对应的图像预测类别，本实施例首先需要对磁共振成像进行图像分割，得到不同脑组织类别分别对应的第一局部图像，即所述若干第一局部图像。然后，针对每一第一局部图像，都要采用若干脑区模板中的每一脑区模板对其进行区域划分，从而得到每一脑区模板对应的若干第一划分图像。此外，针对每一脑区模板，都要根据其对应的若干第一划分图像综合确定其对应的特征矩阵，从而得到每一脑区模板对应的特征矩阵，即所述若干特征矩阵。
75.举例说明，如图2所示，由于灰质和白质在评估神经退行性疾病的各个阶段方面都很重要，因为它们是人脑中至关重要的组成部分，而且非常脆弱。而脑脊髓可以指示人脑作为脊髓和脑周围液体的病理状态。因此，本实施例使用统计参数映射(spm)工具箱将磁共振成像划分为了三种第一局部图像，分别对应的脑组织类别为灰质、白质以及脑脊髓，其中，针对灰质对应的第一局部图像，采用90脑区模板对其进行区域划分，得到第一划分图像a；采用116脑区模板对其进行区域划分，得到第一划分图像b；采用200脑区模板对其进行区域划分，得到第一划分图像c。针对白质对应的第一局部图像，采用90脑区模板对其进行区域划分，得到第一划分图像d；采用116脑区模板对其进行区域划分，得到第一划分图像e；采用200脑区模板对其进行区域划分，得到第一划分图像f。针对脑脊髓对应的第一局部图像，采
用90脑区模板对其进行区域划分，得到第一划分图像g；采用116脑区模板对其进行区域划分，得到第一划分图像h；采用200脑区模板对其进行区域划分，得到第一划分图像i。其中，与90脑区模板对应的为第一划分图像a、第一划分图像d、第一划分图像g，因此根据a、d、g确定90脑区模板对应的特征矩阵1；与116脑区模板对应的为第一划分图像b、第一划分图像e、第一划分图像h，因此根据b、e、h确定116脑区模板对应的特征矩阵2；与200脑区模板对应的为第一划分图像c、第一划分图像f、第一划分图像i，因此根据c、f、i确定200脑区模板对应的特征矩阵3。
76.在一种实现方式中，所述根据每一所述脑区模板对应的若干第一划分图像，确定每一所述脑区模板对应的特征矩阵，包括：对每一所述脑区模板对应的若干第一划分图像分别进行特征提取，得到每一所述脑区模板对应的若干特征向量；根据每一所述脑区模板对应的若干特征向量，确定每一所述脑区模板对应的特征矩阵。
77.具体地，为了得到若干脑区模板中每一脑区模板对应的特征矩阵，针对每一脑区模板，本实施例需要对该脑区模板对应的若干第一划分图像进行特征提取，得到若干特征向量，其中，若干特征向量中的每一特征向量由若干第一划分图像中的一个第一划分图像确定。然后，再根据若干第一划分图像各自对应的特征向量综合确定该脑区模板对应的特征矩阵。
78.举例说明，针对90脑区模板，对90脑区模板对应的第一划分图像a、第一划分图像d、第一划分图像g分别进行特征提取，得到第一划分图像a、第一划分图像d、第一划分图像g分别对应的特征向量a、d、g。例如，针对第一划分图像a，可以获取第一划分图像a中各个区域的平均组织密度值，根据各个区域的平均组织密度值确定第一划分图像a对应的特征向量a。
79.如图1所示，所述方法还包括如下步骤：
80.步骤s300、对所述若干特征矩阵中的特征向量进行筛选，得到第一优化特征矩阵。
81.具体地，若干特征矩阵中包含的特征向量的数量较多，其中，存在一部分特征向量所指示的特征是具有判别性的，即在正常人群中和在神经退行性疾病发病人群中，该特征向量明显不同；另外还存在一部分特征向量所指示的特征不具有判别性，即在正常人群中和在神经退行性疾病发病人群中，该特征向量差异很小。因此为了减少计算资源消耗，且准确地确定磁共振成像对应的图像预测类别，本实施例需要对若干特征矩阵中的特征向量进行筛选，得到第一优化特征矩阵，该第一优化特征矩阵中存在的特征向量基本都具有判别性。
82.在一种实现方式中，所述步骤s300具体包括如下步骤：
83.步骤s301、获取若干关系映射矩阵和权重矩阵，其中，所述若干关系映射矩阵与所述若干脑区模板一一对应；
84.步骤s302、对所述若干关系映射矩阵进行稀疏约束，得到若干稀疏关系映射矩阵；
85.步骤s303、根据所述若干稀疏关系映射矩阵将所述若干特征矩阵映射至公共关系池中，得到公共特征矩阵，其中，所述若干稀疏关系映射矩阵与所述若干特征矩阵一一对应，且具有对应关系的一个所述稀疏关系映射矩阵和一个所述特征矩阵对应于同一所述脑区模板；
86.步骤s304、对所述权重矩阵进行稀疏约束，得到稀疏权重矩阵；
87.步骤s305、将所述稀疏权重矩阵与所述公共特征矩阵相乘，得到所述第一优化特征矩阵。
88.具体地，本实施例预先训练了若干关系映射矩阵，这些关系映射矩阵与若干脑区模板一一对应，即每个脑区模板均具有与其对应的经过训练的关系映射矩阵。针对所述若干特征矩阵中的每个特征矩阵，获取与该特征矩阵对应同一脑区模板的关系映射矩阵。本实施例需要对若干关系映射矩阵进行稀疏约束，得到若干稀疏关系映射矩阵。由于稀疏约束可以使得部分特征向量的维度变为0，因此针对每一特征矩阵，根据该特征矩阵对应的稀疏关系映射矩阵将该特征矩阵映射至公共关系池中，可以得到该特征矩阵对应的映射矩阵，该矩阵与该特征矩阵相比特征向量的数量更小，从而实现第一次筛选。当若干特征矩阵均被映射至公共关系池后，即可得到若干映射矩阵，这些映射矩阵共同构成公共特征矩阵。本实施例还预先训练了一个权重矩阵，先对该权重矩阵进行稀疏约束，得到稀疏权重矩阵，再将稀疏权重矩阵与公共特征矩阵相乘，就可以实现对公共特征矩阵中的特征向量进行第二次筛选，并得到第一优化特征矩阵。
89.如图1所示，所述方法还包括如下步骤：
90.步骤s400、根据所述第一优化特征矩阵，确定所述磁共振成像对应的图像预测类别。
91.由于第一优化特征矩阵中均为筛选出的具有判别性的特征向量，因此本实施例可以对第一优化特征矩阵进行分析，根据分析结果确定磁共振成像对应的图像预测类别。
92.在一种实现方式中，所述步骤s400具体包括如下步骤：
93.步骤s401、获取与所述磁共振成像对应的第一临床信息，根据所述第一临床信息构建第一新增特征矩阵；
94.步骤s402、根据所述第一新增特征矩阵和所述第一优化特征矩阵构建第一目标特征矩阵；
95.步骤s403、将所述第一目标特征矩阵输入多分类模型，得到所述图像预测类别。
96.具体地，本实施例预先训练了一个多分类模型，即该模型输出的图像类别可以为多种类别。在实际应用时，为了更加准确地确定磁共振成像对应的图像预测类别，本实施例还需要结合该磁共振成像对应的患者的临床信息，即第一临床信息。根据第一临床信息构建第一新增特征矩阵，再将第一新增特征矩阵和第一优化特征矩阵进行融合，得到第一目标特征矩阵。经过训练的多分类模型获取到该第一目标特征矩阵后，即可输出该磁共振图像对应的图像预测类别。
97.举例说明，得到第一优化特征矩阵后，结合该磁共振图像对应的患者的临床评分(抑郁、睡眠、嗅觉、认知)和年龄性别信息构建第一新增特征矩阵，然后根据第一新增特征矩阵和第一优化特征矩阵生成第一目标特征矩阵，将第一目标特征矩阵输入多分类模型中，多分类模型输出图像预测类别为神经退行性疾病的i期，则提示医生该磁共振图像对应的患者存在神经退行性疾病的i期的患病风险，需要进一步根据其他医疗检验来确定其是否患病。
98.在一种实现方式中，所述若干关系映射矩阵和所述权重矩阵的训练过程为：
99.步骤s1、获取核磁共振训练图像，根据所述若干脑区模板和所述核磁共振训练图像，确定与所述若干脑区模板一一对应的若干训练特征矩阵；
100.步骤s2、获取若干初始关系映射矩阵，其中，所述若干初始关系映射矩阵与所述若干脑区模板一一对应；
101.步骤s3、对所述若干初始关系映射矩阵进行稀疏约束，得到若干初始稀疏关系映射矩阵；
102.步骤s4、根据所述若干初始稀疏关系映射矩阵将所述若干训练特征矩阵映射至所述公共关系池中，得到公共训练特征矩阵；
103.步骤s5、获取初始权重矩阵、与所述核磁共振训练图像对应的真实标签；
104.步骤s6、获取预设函数，根据所述初始权重矩阵、所述真实标签、所述公共训练矩阵、所述若干初始关系映射矩阵确定所述预设函数中的变量，得到目标函数，并根据所述目标函数确定所述若干关系映射矩阵和所述权重矩阵。
105.具体地，若干关系映射矩阵和权重矩阵各自的训练过程与各自的应用过程类似，不同之处在于训练过程采用的是核磁共振训练图像，且核磁共振训练图像具有与之对应的真实标签，该真实标签用于反映核磁共振训练图像对应的真实图像类别。在训练过程中，本实施例提供一个预设函数，并将初始权重矩阵、真实标签、公共训练矩阵、若干初始关系映射矩阵代入预设函数中，得到目标函数。目标函数的输出数值可以用于指导对若干初始关系映射矩阵和初始权重矩阵进行调整，调整完毕后即得到可以直接应用的若干关系映射矩阵和权重矩阵。
106.在一种实现方式中，所述根据所述初始权重矩阵、所述真实标签、所述公共训练矩阵、所述若干初始关系映射矩阵，确定所述预设函数中的变量，得到目标函数，包括：
107.步骤s501、获取所述公共训练特征矩阵中矩阵之间的关系，得到第一关系信息；
108.步骤s502、对所述初始权重矩阵进行稀疏约束，得到初始稀疏权重矩阵；
109.步骤s503、将所述初始稀疏权重矩阵与所述公共训练特征矩阵相乘，得到稀疏训练特征矩阵；
110.步骤s504、获取所述稀疏训练特征矩阵中向量之间的关系，得到第二关系信息；
111.步骤s505、将所述若干初始关系映射矩阵、所述公共关系池、所述第一关系信息、所述第二关系信息、所述真实标签、所述初始权重矩阵作为所述预设函数的变量，得到所述目标函数；
112.步骤s506、对所述目标函数进行求导，得到所述若干关系映射矩阵和所述权重矩阵，其中，所述若干关系映射矩阵与所述权重矩阵对应的所述目标函数的函数值最小。
113.具体地，为了使得关系映射矩阵和权重矩阵具有更佳的筛选效果，本实施例需要获取公共训练特征矩阵中矩阵之间的关系，得到第一关系信息，由于该第一关系信息可以反映与各矩阵之间的关系，而各矩阵又与各脑区模板分别对应，因此该第一关系信息也可以反映各脑区模板之间的关系。此外，本实施例还需要对初始权重矩阵进行稀疏约束，得到初始稀疏权重矩阵，然后将初始稀疏权重矩阵对公共训练特征矩阵相乘，以实现对公共训练特征矩阵中的特征向量进行筛选，得到稀疏训练特征矩阵，并获取稀疏训练特征矩阵中向量之间的关系，得到第二关系信息，该第二关系信息反映的是稀疏训练特征矩阵中向量之间的关系，即相当于可以反映稀疏训练特征矩阵的内在关系。最后，将若干初始关系映射矩阵、公共关系池、第一关系信息、第二关系信息、真实标签、初始权重矩阵作为预设函数的变量，得到目标函数。最后，对目标函数进行求导，当目标函数的函数值最小时，即得到可直
接应用的若干关系映射矩阵和权重矩阵。
114.举例说明，如图2所示，本实施例同时对多个磁共振成像进行处理，得到m组由m个模板得到的特征矩阵，定义由第m个模板得到的特征矩阵为x
m
。然后获取若干初始关系映射矩阵p
m
，通过若干初始关系映射矩阵把每个模板提取出来的特征空间映射到公共关系池r，同时对每个关系映射矩阵施加稀疏约束，使得映射到公共关系池的模板间的关系是具有判别性的，则可以通过下面这个公式得到公共关系池r，从而得到第一关系信息：
[0115][0116]
其中，λ1是正则项的控制参数,是矩阵a的frobenius范数(f
‑
norm)，是矩阵a的l
21
范数(l
21
‑
norm)。
[0117]
得到公共关系池r后，将其用作特征空间以执行特征选择。可以从基本线性回归模型求解到使得公共关系池r与真实标签矩阵y最拟合的权重矩阵w，同时对权重矩阵实施自适应稀疏学习，得到以下公式：
[0118][0119]
其中λ2是正则项的控制参数，为l
2,p
范数(l
2,p
‑
norm)，tr(a)为矩阵a的秩。
[0120]
其次可以采用局部保留投影来获取第二关系信息。首先采用图拉普拉斯图方法定义公共关系池r中特征r
i
和r
j
之间的相似度s
i,j
，然后根据局部保留投影算法得到该正则化项为：
[0121]
r
l
＝tr(∑
i，j
(w
t
r
i
‑
w
t
r
j
)
2 s
i，j
)
ꢀꢀꢀ
(3)
[0122]
最终得到的目标函数如下所示，然后对目标函数进行求导，得到该函数值最小值，并根据最小值时的目标函数确定若干关系映射矩阵和权重矩阵：
[0123][0124]
其中λ1，λ2，λ3和λ4是正则项的控制参数，a
t
表示为矩阵a的转置。
[0125]
在一种实现方式中，所述多分类模型的训练过程为：
[0126]
步骤s6、根据所述关系映射矩阵和所述权重矩阵，确定所述核磁共振训练图像对应的第二优化特征矩阵；
[0127]
步骤s7、获取与所述核磁共振训练图像对应的第二临床信息，根据所述第二临床信息构建第二新增特征矩阵；
[0128]
步骤s8、根据所述第二优化特征矩阵和所述第二新增特征矩阵构建第二目标特征
矩阵；
[0129]
步骤s9、获取初始多分类模型，根据所述第二目标特征矩阵和所述真实标签对所述初始多分类模型进行训练，得到所述多分类模型。
[0130]
具体地，由于第二优化特征矩阵中包含特征向量具有判别性，因此根据第二优化特征矩阵和基于第二临床信息构成的第二新增特征矩阵，综合构建出第二目标特征矩阵，并将第二目标特征矩阵和真实标签一起输入至初始多分类模型中，对初始多分类模型进行训练，训练完毕后即可得到多分类模型。
[0131]
基于上述实施例，本发明还提供了一种图像分类装置，如图3所示，该装置包括：
[0132]
获取模块01，用于获取磁共振成像和预设的若干脑区模板，所述若干脑区模板分别对应的人脑区域划分规则不同；
[0133]
确定模块02，用于根据所述若干脑区模板和所述磁共振成像确定若干特征矩阵，其中，所述若干特征矩阵中每一特征矩阵由所述若干脑区模板中的一个脑区模板确定；
[0134]
筛选模块03，用于对所述若干特征矩阵中的特征向量进行筛选，得到第一优化特征矩阵；
[0135]
预测模块04，用于根据所述第一优化特征矩阵，确定所述磁共振成像对应的图像预测类别。
[0136]
基于上述实施例，本发明还提供了一种终端，其原理框图可以如图4所示。该终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏。其中，该终端的处理器用于提供计算和控制能力。该终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现图像分类方法。该终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
[0137]
本领域技术人员可以理解，图4中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0138]
在一种实现方式中，所述终端的存储器中存储有一个或者一个以上的程序，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行图像分类方法的指令。
[0139]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0140]
综上所述，本发明公开了一种图像分类方法、装置及存储介质，所述方法通过获取磁共振成像和预设的若干脑区模板，所述若干脑区模板分别对应的人脑区域划分规则不同；根据所述若干脑区模板和所述磁共振成像确定若干特征矩阵，所述若干特征矩阵中每一特征矩阵由所述若干脑区模板中的一个脑区模板确定；对所述若干特征矩阵中的特征向量进行筛选，得到第一优化特征矩阵；根据所述第一优化特征矩阵，确定所述磁共振成像对应的图像预测类别。本发明通过提取图像特征的方法来预测不同人所拍摄的磁共振成像的类别，医生通过各磁共振成像对应的图像预测类别，结合自身医学经验，可以更加准确地区分正常人群和神经性退行性疾病人群。因此本发明可以解决现有技术中医生主要依靠人群的临床评分和运动问题来诊断神经退行性疾病，难以区分神经性退行性疾病人群和正常人群的问题。
[0141]
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。