CN103793711A

CN103793711A - 一种基于脑部核磁共振图像的多维度纹理提取方法

Info

Publication number: CN103793711A
Application number: CN201410023305.4A
Authority: CN
Inventors: 郭秀花; 高妮; 王晶晶; 陶丽新; 刘相佟
Original assignee: Capital Medical University
Current assignee: Capital Medical University
Priority date: 2014-01-17
Filing date: 2014-01-17
Publication date: 2014-05-14
Also published as: WO2015106374A1

Abstract

本发明公开了一种基于人群脑部核磁共振图像的多维度纹理提取方法，运用区域增长法将人群脑部核磁共振图像中感兴趣区域分割出来，采用Curvelet变换和Contourlet变换方法提取感兴趣区域的纹理特征参数，其中所述人群包括阿尔茨海默病人群体，轻度认知障碍病人群体和正常老年人群体，所述的感兴趣区域的纹理特征参数包括熵、灰度均值、相关性、能量、同质度、方差、最大概率、逆差距、聚类趋势、对比度、和的均值、差的均值、和的熵、差的熵，所述感兴趣区域包括内嗅皮层和海马两个区域。

Description

一种基于脑部核磁共振图像的多维度纹理提取方法

技术领域：

本发明属于医学技术领域，具体涉及一种基于脑部核磁共振图像(MRI)的多维度纹理提取方法。

背景技术：

在辅助诊断早期阿尔茨海默病（AD）中，识别MRI图像中ROIs（包括内嗅皮层，海马）的性质具有重要意义。但MRI影像技术只能以海马萎缩作为区别患者和正常人的指标之一，医生对MRI图像的解释易受主观个人影响，缺乏一致性，且不易准确评价痴呆患者症状的严重程度。

1、现有的图像处理技术有以下5种：

1）区域增长法(Region-growing Method)：

该方法利用了图像的局部空间信息，可有效克服其它方法存在的图像分割空间不连续的缺点，但尚没有人用该方法进行脑部MRI图像的处理。

2）灰度共生矩阵(GLCM)：

以往仅有少量相关研究中采用灰度共生矩阵法提取的纹理特征参数，这对于根据脑部MRI图像纹理特征诊断早期AD、MCI还远远不够。

3）小波变换(Wavelet Transformation)：

小波变换形成的特征向量虽然能够在一定程度上对图像进行精确描述，但是利用小波变换提取图像中ROIs纹理特征存在着检索精度不高的缺点。

4）第二代小波变换（Curvelet变换）：

继上世纪80年代后期发展起来的小波变换之后，1996年Swendens提出了先进的第二代小波变换，在基函数算法上也在不断改进，1998年E.J.Candes提出了Ridgelet变换、1999年E.J.Candes和D.L.Donoho发明了Curvelet变换新算法：

其中：2^-j为尺度、θ^l为方向角θ^l、

为位置

R为转换弧度，2006年又提出了快速离散Curvelet变换。第二代小波变换不但保留了小波变换（Wavelet Transformation）方法多尺度的优点，同时还具有各向异性特点，能够很好地逼近奇异曲线，比Wavelet Transformation更加适合分析二维图像中的曲线或边缘特征，而且具有更高的逼近精度和更好的稀疏表达能力，能够为图像提供一种比Wavelet Transformation多分辨分析更加精确的方法。

5）Contourlet变换

Contourlet变换继承了Curvelet变换的各向异性尺度关系,在一定意义上它是Curvelet变换的另一种实现方式。Contourlet变换的基本思想是首先用一个类似小波的多尺度分解捕捉边缘奇异点,再根据方向信息将位置相近的奇异点汇集成轮廓段。

Contourlet变换可分为两个部分：拉普拉斯塔式滤波器结构(LaplacianPyramid,LP)和二维方向滤波器组(Directional Filter Bank,DFB)。LP分解首先产生原始信号的一个低通采样逼近及原始图像与低通预测图像之间的一个差值图像,对得到的低通图像继续分解得到下一层的低通图像和差值图像,如此逐步滤波得到图像的多分辨率分解；DFB滤波器组使用扇形结构的共轭镜像滤波器组以避免对输入信号的调制,同时将1层二叉树状结构的方向滤波器变成了21个并行通道的结构。

Contourlet变换是一种新的图像二维表示方法，具有多分辨率、局部定位、多方向性、近邻界采样和各向异性等性质，其基函数分布于多尺度、多方向上，少量系数即可有效地捕捉图像中的边缘轮廓，而边缘轮廓正是图像中的主要特征。

但是这些新方法在处理不同部位的MRI图像时，需要利用基函数重新构造新算法、选取适宜的参数，因此仍有许多理论问题值得研究。Contourlet变换已经成功地用于图像融合等实际问题，而用于脑部图像纹理特征提取的文献报道凤毛麟角。目前所查阅的文献中，仅有人使用GLCM和Wavelet变换对AD组及正常组脑部MRI图像提取纹理特征并建立预测模型，以诊断结果准确性对上述两种方法进行比较，发现采用GLCM提取纹理建模预测效果优于Wavelet变换。目前尚未见有人使用第二代小波变换以及Contourlet变换进行AD脑部MRI图像纹理提取。因此，需要结合上述现有技术的优点，并克服其不足，对图像的处理方法进行改进，以达到提高早期AD、MCI诊断率的目的。

2、常用的预测模型：

支持向量机(Support Vector Machine,SVM)：

支持向量机是建立在统计学***面，使得该超平面在保证分类精度的同时，能够使超平面两侧的空白区域最大化。

理论上，支持向量机能够实现对线性可分数据的最优分类。以两类数据分类为例，给定训练样本集(x_i,y_j),i＝1,2,…,l,x∈{±1}，超平面记作(w·x)+b＝0，为使分类面对所有样本正确分类并且具备分类间隔，就要求它满足如下约束：y_i[(w·x_i)+b]≥1,i＝1,2,…,l，可以计算出分类间隔为2/||w||，因此构造最优超平面的问题就转化为在约束式下求：

\min φ (w) = \frac{1}{2} {| | w | |}^{2} = \frac{1}{2} (w^{,} \cdot w)

为了解决该个约束最优化问题，引入Lagrange函数：

L (w, b, a) = \frac{1}{2} | | w | | - α (y ((w \cdot x) + b) - 1)

式中，α_i＞0为Lagrange乘数。约束最优化问题的解由Lagrange函数的鞍点决定，并且最优化问题的解在鞍点处满足对w和b的偏导为0，将该QP问题转化为相应的对偶问题即：

\max Q (α) = Σ_{j = 1}^{l} α_{j} - \frac{1}{2} Σ_{i = 1}^{l} Σ_{j = 1}^{l} α_{i} α_{j} y_{i} y_{j} (x_{i} \cdot x_{j})

s . t . Σ_{j = 1}^{l} α_{j} y_{j} = 0, j = 1,2, . . ., l

解得最优解

α^{*} = {(α_{1}^{*}, α_{2}^{*}, . . ., α_{l}^{*})}^{l}

计算最优权值向量w^*和最优偏置b^*，分别为：

w^{*} = Σ_{j = 1}^{1} α_{j}^{*} y_{j} x_{j}

b^{*} = y_{i} - Σ_{j = 1}^{l} y_{j} α_{j}^{*} (x_{j} \cdot x_{i})

式中，下标

因此得到最优分类超平面

(w^*·x)+b^*＝0，而最优分类函数为：

f (x) = sgn {(w^{*} \cdot x) + b^{*}} = sgn {Σ_{j = 1}^{l} α_{j}^{*} y_{j} (x_{j} \cdot x_{i}) + b^{*}}, x &Element; R^{n}

对于线性不可分情况，SVM的主要思想是将输人向量映射到一个高维的特征向量空间，并在该特征空间中构造最优分类面。

将x做从输入空间Rⁿ到特征空间H的变换φ，得：

x→φ(x)＝（φ₁（x）,φ₂(x),…φ_l(x)）^T

以特征向量φ(x)代替输入向量x，则可以得到最优分类函数为：

f (x) = sgn (w \cdot φ (x) + b) = sgn (Σ_{j = 1}^{l} a_{j} y_{i} φ (x_{i}) \cdot φ (x) + b)

发明内容:

本发明的目的在于提供一种对含有MCI、早期AD患者病灶以及正常老年人群ROIs的MRI图像的分割方法以及提取纹理特征的方法，建立多种预测模型，以便更有效的发现MCI患者，诊断早期AD以及观测正常老年人群的脑部结构改变。

本发明综合了现有技术中的区域增长法、灰度共生矩阵、小波变换等方法的优点，并加以改进，运用Curvelet变换和Contourlet变换提取ROIs的边缘纹理特征，纹理提取方法全面、新颖，能够达到发明目的。

本发明用以下主要技术路线建立了一种对含有MCI、早期AD患者病灶以及正常老年人ROIs的MRI图像的分割以及提取纹理特征的方法（具体程序见图4），并据此建立了判断相关ROIs性质的预测模型：

1）建立ROIs图像库；

2）运用区域增长法将图像中相关ROIs分割出来；

3）采用Curvelet变换和Contourlet变换处理图像，提取以下各变量：熵(熵)、灰度均值(灰度均值)、相关性(相关性)、能量(能量)、同质度(同质度geneity)、方差(Variance)、最大概率(Maximum probability,最大概率)、逆差距(Inverse Difference Moment,逆差距)、聚类趋势(Cluster Tendency)、对比度(Contrast)、和的均值(Sun-灰度均值)、差的均值(Difference-灰度均值)、和的熵(Sum-熵)、差的熵(Difference-熵)；

4）用步骤2)～3)所得到的各种变量数据建立图像特征参量数据库；

5）根据步骤4)的数据库构建基于Curvelet变换和Contourlet变换的预测模型；建立预测模型的方法包括支持向量机；

6）将步骤5)所得到的各种参量数据与样本经反复验证，以修正预测模型，得到结果比较准确的理想模型。

7）比较步骤5)中基于Curvelet变换和Contourlet变换建立预测模型的预测效果。

目前对于图像的纹理还没有一个统一的定义，一般认为图像的纹理特征描述的是物体表面灰度或颜色的变化，这种变化与物体的自身属性有关，是某种纹理基元的重复。

采用Curvelet变换和Contourlet变换可以得到以下纹理特征参数：

熵熵：

反映影像纹理的随机性；

灰度均值灰度均值：

反映像素所有灰度值的集中趋势。

相关性相关性：测量像素灰度的相关性；

能量(Angular Second Moment)能量（角二阶矩）：

反映影像灰度分布的均匀程度和纹理粗细度；

同质度geneity同质度：

反映灰度水平相似程度；

Variance方差：

反映灰度水平的分布情况；

Maximum probability(最大概率)最大概率：

最突出的像素对的发生率；

Inverse Difference Moment(逆差距)逆差矩：

反映图像的平滑性；

Cluster tendency聚类趋势：

测量相似灰度水平值像素的分组；

Contrast对比度：

反映影像的清晰度；

Sun-灰度均值和的均值

Difference-灰度均值差的均值

提供图像中灰度水平的均值。

Sum-熵和的熵

Difference-熵差的熵

f_{9} = - Σ_{k = 0}^{K - 1} c_{x - y} (k) \log {c_{x - y} (k)} .

本发明用上述方法建立了早期AD预测模型，判断准确度达到了100%。

以下是ROIs内部纹理提取的实例，步骤如下：

1、收集AD、MCI及正常老年人的MRI原始图像（附图说明以正常老年人的MRI图像为例），见图1；

2、用区域增长法分割上述图像，得到图像见图2、图3，分割采用编写好的程序，直接运行即可。

3、采用Curvelet变换和Contourlet变换提取纹理特征参量，每种方法分别有相应程序，直接运行即可，提取的纹理特征参量见表2～表29。

实验结果证明：

表1Curvelet变换与Contourlet变化不同方位差异性分析

由表1可知，Contourlet变换比Curvelet变换能较好反映AD组，MCI组，正常组之间纹理值总体差异性。

采用区域增长法分割ROIs，选取80%的数据作为训练样本，再根据余下20%的数据作为验证样本，以检验通过模型判断ROIs是否病变与病理诊断的一致性，证明通过Contourlet提取脑部MRI图像ROIs外部纹理建立预测早期肺癌的灵敏度、特异度均为100%。

通过以上数据，可以得到结论：采用区域增长法分割脑部MRI图像，并通Contourlet变换提取纹理特征参量建立预测模型对早期AD辅助诊断有很好的效果。

有益效果：

将区域增长法用于脑部MRI的分割，这是本发明的一个创新。经实验证明，区域增长法分割提取纹理建模要更优于整体分割提取纹理建模，能更好的保留结节的边缘信息；

Contourlet是提取脑部MRI图像内部纹理特征的有效方法，可以提取14种纹理特征参数，较全面的反映图像的纹理特征。

附图说明：

图1是正常老年人的MRI原始图像，其中用黑框标注的是ROIs；

图2是图1中用区域增长法分割后得到的左脑ROIs放大图像；

图3是图1中用区域增长法分割后得到的右脑ROIs放大图像；

图4是用本发明方法对脑部MRI图像进行多维度纹理提取的技术路线；

其中，1是左脑海马、内嗅皮层区域；2是右脑海马、内嗅皮层区域。

具体实施方式

以下实例是用本发明方法建立基于含相关ROIs的脑部MRI图像预测AD的模型介绍，这只是对本发明方法的进一步说明，但实例并不限制本发明的应用范围。实际上，用本方法还可对其它类型的医学图像进行性质判断。

图像来源：ADNI网站上共享的AD、MCI及正常老年人的脑部MRI图像，分别为.Nii格式的图像，使用MRIcro软件读取；

方法：采用Matlab软件编程，运用区域增长法将上述MRI图像中的ROIs分割出来，利用Contourlet变换提取相关ROIs的纹理特征参数。

以下是脑部MRI图像ROIs纹理特征参量提取的实例，步骤如下：

1、分别收集AD组病例20例，MCI病例组20例，正常组病例20例总共的250张脑部MRI原始图像，病例年龄为40～89岁，平均年龄为64岁，年龄分布的中位数为60岁。

2、用区域增长法分割图像，分割方式按区域增长法常规方法，采用编写好的程序，设定阈值为35，直接运行。图1是待分割的一个图像举例，得到图像见图2、图3，

3、分别采用Curvelet变换和Contourlet变换提取纹理特征参量，提取的纹理特征参量见表2～表29。

4、采用Curvelet变换和Contourlet变换方法提取脑部MRI图像ROIs分别得到14个纹理特征参量建立预测模型。

5、比较Curvelet变换和Contourlet变换两种纹理提取方法建立预测模型的预测效果。

由12例200张脑部MRI图像作为训练样本集，余下的3例50张脑部MRI图像作为测试样本进行支持向量机进行分类预测，预测效果：灵敏度=100%；特异度=100%；符合率=100%。

实验结果证明：采用区域增长法分割ROIs，选取80%的数据作为训练样本，再根据余下的20%的数据作为验证样本，以检验通过模型判断肺ROIs是否病变与病理诊断的一致性，证明通过对小样本脑部MRI图像ROIs提取纹理特征参量预测早期AD的灵敏度为100%。

通过以上数据，可以得到结论：采用区域增长法分割脑部MRI图像ROIs，并通过Contourlet变换提取纹理特征参量建立预测模型对早期AD的辅助诊断有很好的效果。

Curvelet变换提取的变量见表2～表15，Contourlet变换提取的变量见表16～表29（以AD组编号为136_s_0194的病例纹理值为例）。

表2灰度均值

表3标准差

标准差1	标准差2	标准差3	标准差4	标准差5	标准差6
						4.3847711	1.42498491	1.36818905	1.41228397	1.462426799	1.591283749
标准差7	标准差8	标准差9	标准差10	标准差11	标准差12
						1.32885786	1.9148351	1.41065529	1.55030154	1.367888924	1.405432669
标准差13	标准差14	标准差15	标准差16	标准差17	标准差18
						1.30044057	1.579707287	1.33576328	1.18453501	1.427709383	1.277003212
标准差19	标准差20	标准差21	标准差22	标准差23	标准差24
						1.7011195	1.443854262	1.38209543	1.57756675	1.392241419	1.647125047
标准差25	标准差26	标准差27	标准差28	标准差29	标准差30
						1.42259127	1.430469425	1.51028701	1.27215853	1.311299465	1.527251474
标准差31	标准差32	标准差33	标准差34
						1.04393555	1.52005899	1.7647135	0.86030865

表4聚类趋势

聚类趋势1	聚类趋势2	聚类趋势3	聚类趋势4	聚类趋势5	聚类趋势6
						16.3606301	16.12439285	18.3695153	15.9238466	13.85499042	21.2569512
聚类趋势7	聚类趋势8	聚类趋势9	聚类趋势10	聚类趋势11	聚类趋势12
						18.661451	18.32069429	16.9243141	17.3187788	14.44784022	20.6990795
聚类趋势13	聚类趋势14	聚类趋势15	聚类趋势16	聚类趋势17	聚类趋势18

11.959189	14.13415804	17.3955427	17.5325772	16.98576286	14.217201
						聚类趋势19	聚类趋势20	聚类趋势21	聚类趋势22	聚类趋势23	聚类趋势24
16.8114409	15.24536246	15.3914861	15.5040628	15.43258971	13.98916839
						聚类趋势25	聚类趋势26	聚类趋势27	聚类趋势28	聚类趋势29	聚类趋势30
16.331876	19.96832162	14.7059386	16.0655662	16.21379157	14.04231151
						聚类趋势31	聚类趋势32	聚类趋势33	聚类趋势34
18.2942587	16.86866386	16.5871928	16.2555715

表5同质度

表6最大概率

表7能量

能量1	能量2	能量3	能量4	能量5	能量6
						0.0498905	0.1160032	0.194533	0.173957	0.2182537	0.12101859
能量7	能量8	能量9	能量10	能量11	能量12
						0.1489191	0.0817874	0.091902	0.1012048	0.1858977	0.10748128
能量13	能量14	能量15	能量16	能量17	能量18
						0.345414	0.2464471	0.154017	0.1991889	0.1164763	0.12492103

能量19	能量20	能量21	能量22	能量23	能量24
						0.0749974	0.1107258	0.164832	0.1727838	0.1557092	0.14539656
能量25	能量26	能量27	能量28	能量29	能量30
						0.1146461	0.1371698	0.110386	0.1671202	0.4645303	0.29653236
能量31	能量32	能量33	能量34
						0.3057156	0.0939511	0.084532	0.5190262

表8惯性矩

表9逆差距

表10熵

熵1	熵2	熵3	熵4	熵5	熵6
						1.22035151	1.029386659	0.82359602	0.99692385	0.874746461	1.07754384
熵7	熵8	熵9	熵10	熵11	熵12
						0.93065033	1.278111547	1.12947679	1.12073057	0.887906447	0.932229361
熵13	熵14	熵15	熵16	熵17	熵18
						0.82547592	0.948837401	0.85367573	0.83820976	0.894950428	1.001405253
熵19	熵20	熵21	熵22	熵23	熵24
						1.09676062	1.008200647	0.81700194	0.90675533	0.978592281	1.211409108
熵25	熵26	熵27	熵28	熵29	熵30
						1.1444441	0.98236792	1.07274302	0.89660664	0.630961017	0.800516014

熵31	熵32	熵33	熵34
						0.58298469	1.029947319	1.1837409	0.5506891

表11相关性

相关性1	相关性2	相关性3	相关性4	相关性5	相关性6
						0.9155325	0.0907211	0.025449	-0.199867	-0.036875	-0.0596785
相关性7	相关性8	相关性9	相关性10	相关性11	相关性12
						-0.201381	-0.014917	-0.0417	0.0605341	0.0357446	-0.1837574
相关性13	相关性14	相关性15	相关性16	相关性17	相关性18
						0.0062253	-0.031564	-0.19318	0.0178852	0.0717881	0.02910943
相关性19	相关性20	相关性21	相关性22	相关性23	相关性24
						0.0133719	-0.211466	0.019258	0.016919	-0.191599	-0.00425
相关性25	相关性26	相关性27	相关性28	相关性29	相关性30
						-0.035369	0.0656479	0.010318	-0.184086	0.0910757	0.04394031
相关性31	相关性32	相关性33	相关性34
						-0.222713	-0.009445	0.084592	-0.006333

表12和的均数

表13差的均数

表14和的熵

表15差的熵

差的熵1	差的熵2	差的熵3	差的熵4	差的熵5	差的熵6
						2.7717822	2.7334586	2.646782	2.852217	2.7806391	2.90563906
差的熵7	差的熵8	差的熵9	差的熵10	差的熵11	差的熵12
						2.852217	3.25	2.646782	2.977217	3	2.77439747
差的熵13	差的熵14	差的熵15	差的熵16	差的熵17	差的熵18
						2.375	2.7806391	2.774397	2.4746018	2.9056391	2.64678222
差的熵19	差的熵20	差的熵21	差的熵22	差的熵23	差的熵24

3.0778195	2.6467822	2.608459	2.6467822	2.7743975	2.89939747
						差的熵25	差的熵26	差的熵27	差的熵28	差的熵29	差的熵30
2.6467822	2.7806391	2.774397	2.7743975	2.4362781	2.64939747
						差的熵31	差的熵32	差的熵33	差的熵34
2.5306391	2.7334586	3.024397	2.2169172

表16灰度均值

表17标准差

表18聚类趋势

表19同质度

A-1_1_H	A-1_2_H	A-1_3_H	A-1_4_H	A-1_5_H	A-1_6_H
						0.729353	0.85896	0.742591	0.811983	0.707436	0.820406
A-2_1_H	A-2_2_H	A-2_3_H	A-2_4_H	A-2_5_H	A-2_6_H
						0.673075	0.832321	0.804619	0.818736	0.765196	0.819104
A-3_1_H	A-3_2_H	A-3_3_H	A-3_4_H	A-3_5_H	A-3_6_H
						0.702889	0.770329	0.731664	0.812325	0.750113	0.823354
A-4_1_H	A-4_2_H	A-4_3_H	A-4_4_H	A-4_5_H	A-4_6_H
						0.630094	0.809826	0.765024	0.750887	0.722146	0.833379
A-5_1_H	A-5_2_H	A-5_3_H	A-5_4_H	A-5_5_H	A-5_6_H
						0.784226	0.802753	0.828898	0.824906	0.855482	0.832783
A-6_1_H	A-6_2_H	A-6_3_H	A-6_4_H	A-6_5_H	A-6_6_H
						0.860491	0.882292	0.902136	0.888263	0.899928	0.892365
A-7_1_H	A-7_2_H	A-7_3_H	A-7_4_H	A-7_5_H	A-7_6_H
						0.860491	0.872411	0.897529	0.897329	0.909925	0.913109
A-8_1_H	A-8_2_H	A-8_3_H	A-8_4_H	A-8_5_H	A-8_6_H
						0.720064	0.846891	0.845386	0.786799	0.819207	0.776603
B-1_1_H	B-1_2_H	B-1_3_H	B-1_4_H	B-1_5_H	B-1_6_H
						0.421003	0.63488	0.678265	0.758653	0.853534	0.902955
B-2_1_H	B-2_2_H	B-2_3_H	B-2_4_H	B-2_5_H	B-2_6_H
						0.413449	0.723771	0.737913	0.847828	0.900318	0.919516
B-3_1_H	B-3_2_H	B-3_3_H	B-3_4_H	B-3_5_H	B-3_6_H
						0.404989	0.67885	0.73714	0.734893	0.901268	0.88582
B-4_1_H	B-4_2_H	B-4_3_H	B-4_4_H	B-4_5_H	B-4_6_H
						0.379105	0.759241	0.706057	0.764712	0.862515	0.842974
B-5_1_H	B-5_2_H	B-5_3_H	B-5_4_H	B-5_5_H	B-5_6_H
						0.386228	0.803288	0.741632	0.777376	0.934154	0.900476
B-6_1_H	B-6_2_H	B-6_3_H	B-6_4_H	B-6_5_H	B-6_6_H
						0.492837	0.64838	0.84093	0.804451	0.934574	0.924924

B-7_1_H	B-7_2_H	B-7_3_H	B-7_4_H	B-7_5_H	B-7_6_H
						0.546176	0.825809	0.848521	0.875017	0.923975	0.925081
B-8_1_H	B-8_2_H	B-8_3_H	B-8_4_H	B-8_5_H	B-8_6_H
						0.341506	0.648599	0.822798	0.637463	0.89822	0.891833

表20最大概率

表21能量

A-1_1_能量	A-1_2_能量	A-1_3_能量	A-1_4_能量	A-1_5_能量	A-1_6_能量
						0.329817	0.429658	0.269169	0.357082	0.234291	0.360617
A-2_1_能量	A-2_2_能量	A-2_3_能量	A-2_4_能量	A-2_5_能量	A-2_6_能量
						0.252431	0.346633	0.319042	0.347412	0.283623	0.357081
A-3_1_能量	A-3_2_能量	A-3_3_能量	A-3_4_能量	A-3_5_能量	A-3_6_能量
						0.253393	0.27921	0.260922	0.328612	0.279507	0.329821
A-4_1_能量	A-4_2_能量	A-4_3_能量	A-4_4_能量	A-4_5_能量	A-4_6_能量
						0.262432	0.326571	0.281119	0.268873	0.252395	0.329804
A-5_1_能量	A-5_2_能量	A-5_3_能量	A-5_4_能量	A-5_5_能量	A-5_6_能量
						0.301237	0.305192	0.347685	0.334801	0.378429	0.328888
A-6_1_能量	A-6_2_能量	A-6_3_能量	A-6_4_能量	A-6_5_能量	A-6_6_能量
						0.380532	0.397709	0.422509	0.390428	0.431073	0.399358
A-7_1_能量	A-7_2_能量	A-7_3_能量	A-7_4_能量	A-7_5_能量	A-7_6_能量
						0.380532	0.385016	0.413217	0.421572	0.4422	0.437127
A-8_1_能量	A-8_2_能量	A-8_3_能量	A-8_4_能量	A-8_5_能量	A-8_6_能量
						0.235615	0.358153	0.365301	0.285675	0.385935	0.285943
B-1_1_能量	B-1_2_能量	B-1_3_能量	B-1_4_能量	B-1_5_能量	B-1_6_能量
						0.040559	0.152371	0.145938	0.322172	0.562941	0.703012
B-2_1_能量	B-2_2_能量	B-2_3_能量	B-2_4_能量	B-2_5_能量	B-2_6_能量
						0.047743	0.224751	0.327096	0.587206	0.694283	0.746295
B-3_1_能量	B-3_2_能量	B-3_3_能量	B-3_4_能量	B-3_5_能量	B-3_6_能量
						0.036529	0.199446	0.271257	0.326123	0.673829	0.615674
B-4_1_能量	B-4_2_能量	B-4_3_能量	B-4_4_能量	B-4_5_能量	B-4_6_能量
						0.02904	0.37342	0.237587	0.371034	0.590966	0.509126

B-5_1_能量	B-5_2_能量	B-5_3_能量	B-5_4_能量	B-5_5_能量	B-5_6_能量
						0.028061	0.46962	0.284735	0.343905	0.79342	0.696714
B-6_1_能量	B-6_2_能量	B-6_3_能量	B-6_4_能量	B-6_5_能量	B-6_6_能量
						0.065538	0.159744	0.563571	0.382843	0.794607	0.754498
B-7_1_能量	B-7_2_能量	B-7_3_能量	B-7_4_能量	B-7_5_能量	B-7_6_能量
						0.113649	0.562378	0.457991	0.611939	0.732534	0.757845
B-8_1_能量	B-8_2_能量	B-8_3_能量	B-8_4_能量	B-8_5_能量	B-8_6_能量
						0.027273	0.133006	0.501218	0.126851	0.585713	0.642467

表22惯性矩

表23逆差距

A-1_1_I_D_M	A-1_2_I_D_M	A-1_3_I_D_M	A-1_4_I_D_M	A-1_5_I_D_M	A-1_6_I_D_M
						0.712587	0.849413	0.720855	0.794639	0.679748	0.804419
A-2_1_I_D_M	A-2_2_I_D_M	A-2_3_I_D_M	A-2_4_I_D_M	A-2_5_I_D_M	A-2_6_I_D_M
						0.642687	0.818283	0.785718	0.803443	0.743536	0.803096
A-3_1_I_D_M	A-3_2_I_D_M	A-3_3_I_D_M	A-3_4_I_D_M	A-3_5_I_D_M	A-3_6_I_D_M
						0.687918	0.752437	0.708439	0.797982	0.727894	0.809125
A-4_1_I_D_M	A-4_2_I_D_M	A-4_3_I_D_M	A-4_4_I_D_M	A-4_5_I_D_M	A-4_6_I_D_M
						0.603872	0.796356	0.74549	0.729865	0.697074	0.819374
A-5_1_I_D_M	A-5_2_I_D_M	A-5_3_I_D_M	A-5_4_I_D_M	A-5_5_I_D_M	A-5_6_I_D_M
						0.772473	0.785752	0.813567	0.811672	0.844024	0.819457
A-6_1_I_D_M	A-6_2_I_D_M	A-6_3_I_D_M	A-6_4_I_D_M	A-6_5_I_D_M	A-6_6_I_D_M
						0.851849	0.87395	0.894326	0.877756	0.891504	0.883767
A-7_1_I_D_M	A-7_2_I_D_M	A-7_3_I_D_M	A-7_4_I_D_M	A-7_5_I_D_M	A-7_6_I_D_M
						0.851849	0.860903	0.888111	0.88889	0.902253	0.906185
A-8_1_I_D_M	A-8_2_I_D_M	A-8_3_I_D_M	A-8_4_I_D_M	A-8_5_I_D_M	A-8_6_I_D_M
						0.698492	0.837275	0.832835	0.767781	0.804973	0.756187
B-1_1_I_D_M	B-1_2_I_D_M	B-1_3_I_D_M	B-1_4_I_D_M	B-1_5_I_D_M	B-1_6_I_D_M
						0.345231	0.598857	0.655871	0.737716	0.838656	0.893359
B-2_1_I_D_M	B-2_2_I_D_M	B-2_3_I_D_M	B-2_4_I_D_M	B-2_5_I_D_M	B-2_6_I_D_M
						0.345887	0.702856	0.70873	0.829426	0.889851	0.911388

B-3_1_I_D_M	B-3_2_I_D_M	B-3_3_I_D_M	B-3_4_I_D_M	B-3_5_I_D_M	B-3_6_I_D_M
						0.3318	0.6468	0.713197	0.705259	0.893005	0.877113
B-4_1_I_D_M	B-4_2_I_D_M	B-4_3_I_D_M	B-4_4_I_D_M	B-4_5_I_D_M	B-4_6_I_D_M
						0.292172	0.732955	0.678273	0.739201	0.848489	0.829223
B-5_1_I_D_M	B-5_2_I_D_M	B-5_3_I_D_M	B-5_4_I_D_M	B-5_5_I_D_M	B-5_6_I_D_M
						0.308495	0.779828	0.724758	0.76087	0.926433	0.890352
B-6_1_I_D_M	B-6_2_I_D_M	B-6_3_I_D_M	B-6_4_I_D_M	B-6_5_I_D_M	B-6_6_I_D_M
						0.443182	0.620292	0.822765	0.788644	0.927426	0.917631
B-7_1_I_D_M	B-7_2_I_D_M	B-7_3_I_D_M	B-7_4_I_D_M	B-7_5_I_D_M	B-7_6_I_D_M
						0.496028	0.80542	0.837661	0.86274	0.917396	0.917402
B-8_1_I_D_M	B-8_2_I_D_M	B-8_3_I_D_M	B-8_4_I_D_M	B-8_5_I_D_M	B-8_6_I_D_M
						0.247864	0.621626	0.803763	0.608389	0.892866	0.881686

表24熵熵

A-1_1_熵	A-1_2_熵	A-1_3_熵	A-1_4_熵	A-1_5_熵	A-1_6_熵
						0.147365	0.249842	0.809925	0.674705	0.991099	0.707431
A-2_1_熵	A-2_2_熵	A-2_3_熵	A-2_4_熵	A-2_5_熵	A-2_6_熵
						0.257654	0.467325	0.744689	0.634534	0.841402	0.719484
A-3_1_熵	A-3_2_熵	A-3_3_熵	A-3_4_熵	A-3_5_熵	A-3_6_熵
						0.257654	0.78344	0.941854	0.577694	0.86642	0.638637
A-4_1_熵	A-4_2_熵	A-4_3_熵	A-4_4_熵	A-4_5_熵	A-4_6_熵
						0.5331	0.435041	0.892007	0.737686	0.926049	0.527086
A-5_1_熵	A-5_2_熵	A-5_3_熵	A-5_4_熵	A-5_5_熵	A-5_6_熵
						0.213101	0.673818	0.609655	0.569882	0.483188	0.542628
A-6_1_熵	A-6_2_熵	A-6_3_熵	A-6_4_熵	A-6_5_熵	A-6_6_熵
						0.147365	0.402757	0.533242	0.542628	0.402109	0.370703
A-7_1_熵	A-7_2_熵	A-7_3_熵	A-7_4_熵	A-7_5_熵	A-7_6_熵

0.147365	0.449194	0.504984	0.419245	0.339453	0.314577
						A-8_1_熵	A-8_2_熵	A-8_3_熵	A-8_4_熵	A-8_5_熵	A-8_6_熵
0.459046	0.485728	0.599459	0.827273	0.63416	0.862612
						B-1_1_熵	B-1_2_熵	B-1_3_熵	B-1_4_熵	B-1_5_熵	B-1_6_熵
1.135293	1.372649	0.989272	0.907689	0.623399	0.407773
						B-2_1_熵	B-2_2_熵	B-2_3_熵	B-2_4_熵	B-2_5_熵	B-2_6_熵
0.960201	1.047255	1.102955	0.80623	0.460222	0.339453
						B-3_1_熵	B-3_2_熵	B-3_3_熵	B-3_4_熵	B-3_5_熵	B-3_6_熵
1.226785	1.259216	0.944822	1.048946	0.364806	0.394297
						B-4_1_熵	B-4_2_熵	B-4_3_熵	B-4_4_熵	B-4_5_熵	B-4_6_熵
1.276276	1.092116	1.066606	1.01884	0.502752	0.594869
						B-5_1_熵	B-5_2_熵	B-5_3_熵	B-5_4_熵	B-5_5_熵	B-5_6_熵
1.311138	1.098337	0.707474	0.769707	0.306765	0.404825
						B-6_1_熵	B-6_2_熵	B-6_3_熵	B-6_4_熵	B-6_5_熵	B-6_6_熵
0.967183	1.21674	0.765465	0.833332	0.302827	0.361857
						B-7_1_熵	B-7_2_熵	B-7_3_熵	B-7_4_熵	B-7_5_熵	B-7_6_熵
1.010607	1.027496	0.585507	0.662255	0.277905	0.354045
						B-8_1_熵	B-8_2_熵	B-8_3_熵	B-8_4_熵	B-8_5_熵	B-8_6_熵
1.25816	1.235578	0.807947	0.975353	0.25531	0.599459

表25相关性

A-1_1_C	A-1_2_C	A-1_3_C	A-1_4_C	A-1_5_C	A-1_6_C
						0.453488	0.691889	0.611768	0.7148	0.62426	0.732309
A-2_1_C	A-2_2_C	A-2_3_C	A-2_4_C	A-2_5_C	A-2_6_C
						0.459653	0.735835	0.733302	0.715312	0.697015	0.732849
A-3_1_C	A-3_2_C	A-3_3_C	A-3_4_C	A-3_5_C	A-3_6_C
						0.495842	0.652304	0.653717	0.67898	0.656804	0.746605

A-4_1_C	A-4_2_C	A-4_3_C	A-4_4_C	A-4_5_C	A-4_6_C
						0.35345	0.651618	0.666332	0.599482	0.629691	0.742986
A-5_1_C	A-5_2_C	A-5_3_C	A-5_4_C	A-5_5_C	A-5_6_C
						0.595731	0.712844	0.721926	0.704375	0.756268	0.731947
A-6_1_C	A-6_2_C	A-6_3_C	A-6_4_C	A-6_5_C	A-6_6_C
						0.713227	0.774956	0.844911	0.837104	0.84023	0.840448
A-7_1_C	A-7_2_C	A-7_3_C	A-7_4_C	A-7_5_C	A-7_6_C
						0.713227	0.80898	0.854349	0.820523	0.864554	0.865475
A-8_1_C	A-8_2_C	A-8_3_C	A-8_4_C	A-8_5_C	A-8_6_C
						0.583363	0.732909	0.745791	0.723227	0.706181	0.70656
B-1_1_C	B-1_2_C	B-1_3_C	B-1_4_C	B-1_5_C	B-1_6_C
						-0.06096	0.02836	0.181045	0.07172	-0.04784	-0.17716
B-2_1_C	B-2_2_C	B-2_3_C	B-2_4_C	B-2_5_C	B-2_6_C
						-0.11077	-0.02076	-0.04274	-0.16053	-0.17078	-0.18233
B-3_1_C	B-3_2_C	B-3_3_C	B-3_4_C	B-3_5_C	B-3_6_C
						-0.08765	-0.03503	-0.05094	-0.15471	-0.0704	-0.15323
B-4_1_C	B-4_2_C	B-4_3_C	B-4_4_C	B-4_5_C	B-4_6_C
						-0.0882	-0.05643	0.025384	0.173975	-0.14326	-0.09191
B-5_1_C	B-5_2_C	B-5_3_C	B-5_4_C	B-5_5_C	B-5_6_C
						-0.12153	-0.12012	-0.12315	0.022757	-0.19152	-0.24968
B-6_1_C	B-6_2_C	B-6_3_C	B-6_4_C	B-6_5_C	B-6_6_C
						0.136108	-0.03391	-0.20318	0.027926	-0.11888	0.034783
B-7_1_C	B-7_2_C	B-7_3_C	B-7_4_C	B-7_5_C	B-7_6_C
						0.064315	-0.18657	-0.19499	-0.2193	-0.12311	-0.09605
B-8_1_C	B-8_2_C	B-8_3_C	B-8_4_C	B-8_5_C	B-8_6_C
						0.185817	-0.05458	-0.06841	0.120048	0.005032	-0.03155

表26和的均数

表27差的均数

A-1_1_D-m	A-1_2_D-m	A-1_3_D-m	A-1_4_D-m	A-1_5_D-m	A-1_6_D-m
						4.330357	2.138244	2.994348	2.142065	2.835198	1.997181
A-2_1_D-m	A-2_2_D-m	A-2_3_D-m	A-2_4_D-m	A-2_5_D-m	A-2_6_D-m

4.200893	2.104315	2.19344	2.239163	2.377385	2.019957
						A-3_1_D-m	A-3_2_D-m	A-3_3_D-m	A-3_4_D-m	A-3_5_D-m	A-3_6_D-m
3.879464	2.75506	2.739019	2.507524	2.533449	2.016009
						A-4_1_D-m	A-4_2_D-m	A-4_3_D-m	A-4_4_D-m	A-4_5_D-m	A-4_6_D-m
4.889881	2.667708	2.62626	3.174323	2.70422	2.090096
						A-5_1_D-m	A-5_2_D-m	A-5_3_D-m	A-5_4_D-m	A-5_5_D-m	A-5_6_D-m
3.087798	2.303869	2.19344	2.302779	1.84492	2.148413
						A-6_1_D-m	A-6_2_D-m	A-6_3_D-m	A-6_4_D-m	A-6_5_D-m	A-6_6_D-m
2.232143	1.689137	1.21389	1.342886	1.207465	1.282544
						A-7_1_D-m	A-7_2_D-m	A-7_3_D-m	A-7_4_D-m	A-7_5_D-m	A-7_6_D-m
2.232143	1.553125	1.202153	1.374208	1.05587	1.044899
						A-8_1_D-m	A-8_2_D-m	A-8_3_D-m	A-8_4_D-m	A-8_5_D-m	A-8_6_D-m
3.361607	2.006845	1.915359	2.28845	2.008073	2.340365
						B-1_1_D-m	B-1_2_D-m	B-1_3_D-m	B-1_4_D-m	B-1_5_D-m	B-1_6_D-m
3.110119	1.439583	1.003132	0.857143	0.535334	0.376744
						B-2_1_D-m	B-2_2_D-m	B-2_3_D-m	B-2_4_D-m	B-2_5_D-m	B-2_6_D-m
3.212798	0.959375	1.100518	0.656178	0.374198	0.299769
						B-3_1_D-m	B-3_2_D-m	B-3_3_D-m	B-3_4_D-m	B-3_5_D-m	B-3_6_D-m
3.43006	1.245685	0.985383	1.114523	0.338087	0.364959
						B-4_1_D-m	B-4_2_D-m	B-4_3_D-m	B-4_4_D-m	B-4_5_D-m	B-4_6_D-m
3.641369	0.976935	1.210397	0.853183	0.549405	0.552794
						B-5_1_D-m	B-5_2_D-m	B-5_3_D-m	B-5_4_D-m	B-5_5_D-m	B-5_6_D-m
3.455357	0.912946	0.920111	0.751692	0.269593	0.430039
						B-6_1_D-m	B-6_2_D-m	B-6_3_D-m	B-6_4_D-m	B-6_5_D-m	B-6_6_D-m
2.845238	1.385119	0.744168	0.758785	0.265551	0.302827
						B-7_1_D-m	B-7_2_D-m	B-7_3_D-m	B-7_4_D-m	B-7_5_D-m	B-7_6_D-m
2.665179	1.012649	0.705357	0.521025	0.317952	0.29919
						B-8_1_D-m	B-8_2_D-m	B-8_3_D-m	B-8_4_D-m	B-8_5_D-m	B-8_6_D-m

3.28125

1.248958

0.714754

1.215978

0.300066

0.368643

表28和的熵

A-1_1_S-E	A-1_2_S-E	A-1_3_S-E	A-1_4_S-E	A-1_5_S-E	A-1_6_S-E
						0.612069	1.011892	2.75211	2.559395	2.653717	2.357032
A-2_1_S-E	A-2_2_S-E	A-2_3_S-E	A-2_4_S-E	A-2_5_S-E	A-2_6_S-E
						0.947376	1.724922	2.397386	2.264199	2.474822	2.136188
A-3_1_S-E	A-3_2_S-E	A-3_3_S-E	A-3_4_S-E	A-3_5_S-E	A-3_6_S-E
						1.011892	2.539099	2.962306	1.771709	2.437167	2.382927
A-4_1_S-E	A-4_2_S-E	A-4_3_S-E	A-4_4_S-E	A-4_5_S-E	A-4_6_S-E
						2.028047	1.531374	2.856791	2.269515	2.485508	1.92766
A-5_1_S-E	A-5_2_S-E	A-5_3_S-E	A-5_4_S-E	A-5_5_S-E	A-5_6_S-E
						0.748327	2.132039	2.136188	2.055342	1.836225	2.264199
A-6_1_S-E	A-6_2_S-E	A-6_3_S-E	A-6_4_S-E	A-6_5_S-E	A-6_6_S-E
						0.612069	1.571539	1.838792	2.058986	1.853822	1.836225
A-7_1_S-E	A-7_2_S-E	A-7_3_S-E	A-7_4_S-E	A-7_5_S-E	A-7_6_S-E
						0.612069	1.911607	1.905091	1.727867	1.942689	1.612649
A-8_1_S-E	A-8_2_S-E	A-8_3_S-E	A-8_4_S-E	A-8_5_S-E	A-8_6_S-E
						1.914239	1.671989	2.242653	2.382927	2.41185	2.593117
B-1_1_S-E	B-1_2_S-E	B-1_3_S-E	B-1_4_S-E	B-1_5_S-E	B-1_6_S-E
						2.943925	3.07012	2.694398	2.619668	2.056985	1.938491
B-2_1_S-E	B-2_2_S-E	B-2_3_S-E	B-2_4_S-E	B-2_5_S-E	B-2_6_S-E
						2.861919	2.483775	2.804868	2.191245	1.778759	1.726835
B-3_1_S-E	B-3_2_S-E	B-3_3_S-E	B-3_4_S-E	B-3_5_S-E	B-3_6_S-E
						3.186176	2.732559	2.705314	2.602177	1.726835	1.726835
B-4_1_S-E	B-4_2_S-E	B-4_3_S-E	B-4_4_S-E	B-4_5_S-E	B-4_6_S-E
						3.366478	2.684184	2.921308	2.722804	2.083337	2.235981
B-5_1_S-E	B-5_2_S-E	B-5_3_S-E	B-5_4_S-E	B-5_5_S-E	B-5_6_S-E

3.097308	2.721316	2.339401	2.260333	1.656175	1.911607
						B-6_1_S-E	B-6_2_S-E	B-6_3_S-E	B-6_4_S-E	B-6_5_S-E	B-6_6_S-E
3.081967	2.726498	2.359926	2.417582	1.637968	1.809459
						B-7_1_S-E	B-7_2_S-E	B-7_3_S-E	B-7_4_S-E	B-7_5_S-E	B-7_6_S-E
3.18791	2.696965	1.954305	2.050971	1.612649	1.72128
						B-8_1_S-E	B-8_2_S-E	B-8_3_S-E	B-8_4_S-E	B-8_5_S-E	B-8_6_S-E
3.471159	2.899189	2.437167	2.71465	1.466858	1.825372

表29差的熵

A-1_1_D-E	A-1_2_D-E	A-1_3_D-E	A-1_4_D-E	A-1_5_D-E	A-1_6_D-E
						0.668564	1.311278	3	2.899397	2.875	2.477217
A-2_1_D-E	A-2_2_D-E	A-2_3_D-E	A-2_4_D-E	A-2_5_D-E	A-2_6_D-E
						1.311278	1.621641	2.82782	2.655639	3.030639	2.423795
A-3_1_D-E	A-3_2_D-E	A-3_3_D-E	A-3_4_D-E	A-3_5_D-E	A-3_6_D-E
						1.311278	3.125	2.95282	2.483459	2.521782	2.305037
A-4_1_D-E	A-4_2_D-E	A-4_3_D-E	A-4_4_D-E	A-4_5_D-E	A-4_6_D-E
						2.271782	2	3.125	2.858459	2.5	2.125
A-5_1_D-E	A-5_2_D-E	A-5_3_D-E	A-5_4_D-E	A-5_5_D-E	A-5_6_D-E
						0.993393	2.655639	2.483459	2.57782	2.555037	2.436278
A-6_1_D-E	A-6_2_D-E	A-6_3_D-E	A-6_4_D-E	A-6_5_D-E	A-6_6_D-E
						0.668564	2.07782	2.298795	2.649397	2.405639	2.280639
A-7_1_D-E	A-7_2_D-E	A-7_3_D-E	A-7_4_D-E	A-7_5_D-E	A-7_6_D-E
						0.668564	2.349602	2.375	2.030639	1.794737	2.07782
A-8_1_D-E	A-8_2_D-E	A-8_3_D-E	A-8_4_D-E	A-8_5_D-E	A-8_6_D-E
						2.375	2.07782	2.75	2.75	2.780639	3.030639
B-1_1_D-E	B-1_2_D-E	B-1_3_D-E	B-1_4_D-E	B-1_5_D-E	B-1_6_D-E
						3.155639	3.405639	2.521782	2.771782	2.521782	2.349602

B-2_1_D-E	B-2_2_D-E	B-2_3_D-E	B-2_4_D-E	B-2_5_D-E	B-2_6_D-E
						3.32782	2.774397	3.25	2.474602	2.530639	2.20282
B-3_1_D-E	B-3_2_D-E	B-3_3_D-E	B-3_4_D-E	B-3_5_D-E	B-3_6_D-E
						3.45282	3.108459	2.875	2.95282	2.07782	2.20282
B-4_1_D-E	B-4_2_D-E	B-4_3_D-E	B-4_4_D-E	B-4_5_D-E	B-4_6_D-E
						3.45282	3	3.280639	2.646782	2.655639	2.608459
B-5_1_D-E	B-5_2_D-E	B-5_3_D-E	B-5_4_D-E	B-5_5_D-E	B-5_6_D-E
						3.20282	3.024397	2.82782	2.477217	2.20282	2.548795
B-6_1_D-E	B-6_2_D-E	B-6_3_D-E	B-6_4_D-E	B-6_5_D-E	B-6_6_D-E
						3.108459	2.95282	2.852217	2.852217	2.07782	2.271782
B-7_1_D-E	B-7_2_D-E	B-7_3_D-E	B-7_4_D-E	B-7_5_D-E	B-7_6_D-E
						3.625	2.95282	2.20282	2.436278	2.305037	2.25
B-8_1_D-E	B-8_2_D-E	B-8_3_D-E	B-8_4_D-E	B-8_5_D-E	B-8_6_D-E
						3.024397	3.07782	2.75	3	1.919737	2.375

Claims

1.一种基于人群脑部核磁共振图像的多维度纹理提取方法，其特征在于：运用区域增长法将人群脑部核磁共振图像中需要的区域分割出来。

2.根据权利要求1所述的提取方法，其特征在于：采用Curvelet变换方法提取需要的区域的纹理特征参数，其中所述人群包括阿尔茨海默病人群体，轻度认知障碍病人群体和正常老年人群体，所述的需要的区域的纹理特征参数包括熵、灰度均值、相关性、能量、同质度、方差、最大概率、逆差距、聚类趋势、对比度、和的均值、差的均值、和的熵、差的熵，所述需要的区域包括内嗅皮层和海马两个区域。

3.根据权利要求1所述的提取方法，其特征在于：采用Contourlet变换方法提取需要的区域的纹理特征参数，其中所述人群包括阿尔茨海默病人群体，轻度认知障碍病人群体和正常老年人群体，所述的需要的区域的纹理特征参数包括熵、灰度均值、相关性、能量、同质度、方差、最大概率、逆差距、聚类趋势、对比度、和的均值、差的均值、和的熵、差的熵，所述需要的区域包括内嗅皮层和海马两个区域。