近年来，随着医学成像技术的多元化迅猛发展，医学图像也步入了大数据的时代，如何从海量的医学图像数据中挖掘出更多有用的特征，为临床诊断提供依据，降低医学诊断上的失误，帮助医生实现精准诊断，具有很大的临床意义。

本课题的重点在于利用计算机的机器学习算法与医学影像结合更好的实现计算机辅助诊断。

图像分类是模式识别、机器学习和人工智能领域的重要基础性研究任务，也是医学图像处理的基本任务。

2. 研究的基本内容

(1) 本文将对实例样本的MRI图像进行分割处理，得到ROI区域（感兴趣区域，即胼胝体），分割出形态曲线;(2) 在对ROI区域配准的情况下（标准化），提取图像特征；(3) 利用特征信息做分类。

分类时使用多个变量的随机森林算法和支持向量机算法，利用训练模型得到特征变量的重要性排序;(4) 使用健康对照者和ADHD患病者的胼胝体形态数据，在增加光滑噪声的基础上模拟大数据量样本的情况，观察分类器的分类性能;(5) 比较不同分类器对实例数据的分类性能。

3. 实施方案、进度安排及预期效果

（1）2019年1月~2019年2月，仔细研究相关文献，总结医学图像的分割和特征提取方法，对比分析其优缺点；研究机器学习在adhd辅助诊断领域的应用和随机森林分类算法等机器学习算法的相关理论知识并进行梳理；尝试进行程序实现。

（2）2019年3月对cc胼胝体图像数据进行分割处理，尝试提高分割精度；进行roi区域配准，尝试改进配准方法提高精度。

（3）2019年4月上旬，对健康对照者和adhd患病者的胼胝体形态数据，增加光滑噪声，模拟大数据样本。

4. 参考文献

[1] Chao Huang, Martin Styner, Hongtu Zhu. Clustering High-Dimensional Landmark-Based Two-Dimensional Shape Data[J]. Journal of the American Statistical Association, 2015,110(511).[2] Neal R M . Regression and Classification Using Gaussian Process Priors[C].Bayesian Statistics. 2008.[3] Shi J , Wang B . Curve prediction and clustering with mixtures of Gaussian process functional regression models[J]. Statistics Computing, 2008, 18(3):267-283.[4] Brown M R G , Sidhu G S , Russell G , et al. ADHD-200 Global Competition: diagnosing ADHD using personal characteristic data can outperform resting state fMRI measurements[J]. Frontiers in Systems Neuroscience, 2012, 6. [5] Dryden, I., and Mardia, K. (1998), Statistical Analysis of Shape[M], Chichester, UK: Wiley:946-948[6] Suryawanshi R S . Statistical Analysis of Shape of Objects Based on Landmark Data[J]. Proceedings of the National Academy of Sciences of the United States of America, 1996, 93(22):12132-12136.[7] 张丽英. 基于机器学习的注意缺陷多动障碍分类研究[D]. 南昌大学, 2018. [8] 朱莉, 张丽英, 韩云涛, 曾佺, 常为科. 基于卷积神经网络的注意缺陷多动障碍分类研究[J]. 生物医学工程学杂志,2017,34(01):99-105.[9] 李航. 统计学习方法[M].北京:清华大学出版社,2012.3: 1-5,18-20, 55-75.[10] 王韶怡, 李淑宇. 基于磁共振成像的ADHD脑沟形态学研究[J]. 北京生物医学工程, 2016, 35(03): 221-225 266.

[11] 段建峰. 基于决策树模型的高分影像分类研究[D]. 新疆大学, 2017.

[12] 张善新, 范强, 周治平. 基于贝叶斯优化神经网络的物体形状分类[J]. 激光与光电子学进展, 2018, 55(06): 179-184.