一種基于彌散張量成像技術(shù)的疾病診斷輔助系統(tǒng)及方法
【專利摘要】本發(fā)明屬于醫(yī)學(xué)圖像輔助診斷【技術(shù)領(lǐng)域】，尤其涉及一種基于彌散張量成像技術(shù)的疾病診斷輔助系統(tǒng)及方法。所述基于彌散張量成像技術(shù)的疾病診斷輔助系統(tǒng)包括圖像預(yù)處理模塊、專家知識庫模塊、張量學(xué)習(xí)模塊和診斷結(jié)果輸出模塊；所述圖像預(yù)處理模塊用于彌散張量圖像的采集、彌散張量圖像重配準(zhǔn)以及彌散張量圖像特征提取；所述專家知識庫模塊用于建立大腦和脊髓相關(guān)疾病的專家知識庫；所述張量學(xué)習(xí)模塊用于利用專家知識庫和張量學(xué)習(xí)算法對彌散張量圖像進(jìn)行張量分類模型訓(xùn)練以及張量分類模型優(yōu)化和測試；所述診斷結(jié)果輸出模塊用于輸出診斷結(jié)果。本發(fā)明充分挖掘圖像的原有信息，提高模式分類精度，極大地降低計算量，并有效地保整了疾病診斷的實時性。
【專利說明】一種基于彌散張量成像技術(shù)的疾病診斷輔助系統(tǒng)及方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于醫(yī)學(xué)圖像輔助診斷【技術(shù)領(lǐng)域】，尤其涉及一種基于彌散張量成像技術(shù)的疾病診斷輔助系統(tǒng)及方法。

【背景技術(shù)】
[0002]彌散張量成像(Diffus1n Tensor Imaging, DTI)技術(shù)是當(dāng)今唯一無創(chuàng)傷的白質(zhì)神經(jīng)纖維束活體成像方法，是核磁共振成像(MRI)的特殊形式。不同于核磁共振成像是追蹤水分子中的氫原子，彌散張量成像是依據(jù)水分子移動方向制圖。彌散張量成像圖可以揭示腦瘤如何影響神經(jīng)細(xì)胞連接，引導(dǎo)醫(yī)療人員進(jìn)行大腦手術(shù)。它還可以揭示同中風(fēng)、多發(fā)性硬化癥、精神分裂癥、閱讀障礙等有關(guān)大腦和脊髓的細(xì)微反常變化。彌散張量成像數(shù)據(jù)本質(zhì)上是二階張量結(jié)構(gòu)，它的每一個體素包含了水分子在白質(zhì)神經(jīng)纖維束內(nèi)彌散的三維空間信肩、O
[0003]通過機(jī)器學(xué)習(xí)方法能從原始彌散張量圖像中提取出判斷人體疾病的有效信息，從而為預(yù)測分析大腦和脊髓相關(guān)的疾病提供有力的幫助。但是傳統(tǒng)的機(jī)器學(xué)習(xí)方法都是基于向量模式的算法，例如支持向量機(jī)、線性判別分析以及神經(jīng)網(wǎng)絡(luò)等，這些算法要么就只處理彌散張量成像數(shù)據(jù)的一些標(biāo)量指標(biāo)，而不能充分利用彌散張量圖像的結(jié)構(gòu)空間信息；要么在分析處理之前，先將張量展開為向量。然而，這種做法會帶來以下問題:1、破壞原始數(shù)據(jù)的結(jié)構(gòu)和張量結(jié)構(gòu)數(shù)據(jù)的內(nèi)在相關(guān)性。2、大腦彌散張量成像數(shù)據(jù)在向量化后，其生成的統(tǒng)計參數(shù)(典型的為協(xié)方差陣)的維數(shù)極大，會破壞原始數(shù)據(jù)的結(jié)構(gòu)，丟失數(shù)據(jù)的內(nèi)在相關(guān)性，從而導(dǎo)致極高的計算復(fù)雜度和存儲代價。


【發(fā)明內(nèi)容】

[0004]本發(fā)明提供了一種基于彌散張量成像技術(shù)的疾病診斷輔助系統(tǒng)及方法，旨在解決現(xiàn)有的向量模式學(xué)習(xí)算法不能充分利用彌散張量圖像數(shù)據(jù)的結(jié)構(gòu)空間信息，且在把張量數(shù)據(jù)向量化的過程中，會破壞原始數(shù)據(jù)的結(jié)構(gòu)，丟失數(shù)據(jù)的內(nèi)在相關(guān)性，增加計算復(fù)雜度和存儲代價的技術(shù)問題。
[0005]本發(fā)明是這樣實現(xiàn)的，一種基于彌散張量成像技術(shù)的疾病診斷輔助系統(tǒng)，包括圖像預(yù)處理模塊、專家知識庫模塊、張量學(xué)習(xí)模塊和診斷結(jié)果輸出模塊；所述圖像預(yù)處理模塊用于彌散張量圖像的采集、彌散張量圖像重配準(zhǔn)以及彌散張量圖像特征提取；所述專家知識庫模塊用于建立大腦和脊髓相關(guān)疾病的專家知識庫；所述張量學(xué)習(xí)模塊用于利用專家知識庫和張量學(xué)習(xí)算法對彌散張量圖像進(jìn)行張量分類模型訓(xùn)練以及張量分類模型優(yōu)化和測試；所述診斷結(jié)果輸出模塊用于輸出診斷結(jié)果。
[0006]本發(fā)明實施例采取的技術(shù)方案還包括:所述圖像預(yù)處理模塊包括圖像采集單元、圖像配準(zhǔn)單元和特征提取單元；
[0007]所述圖像采集單元用于采集彌散張量圖像；
[0008]所述圖像配準(zhǔn)單元用于進(jìn)行基于張量相似度的彌散張量圖像配準(zhǔn)，再進(jìn)行基于標(biāo)量相似度的彌散張量圖像配準(zhǔn)；
[0009]所述特征提取單元用于基于張量代數(shù)的多線性核主成分分析方法進(jìn)行彌散張量圖像的特征提取和降維。
[0010]本發(fā)明實施例采取的技術(shù)方案還包括:所述彌散張量圖像的特征提取和降維具體為:首先選取適當(dāng)?shù)暮撕瘮?shù)把原始數(shù)據(jù)映射到各自的特征空間；再通過張量積將所有的特征映射到多重線性子空間，使得各子空間能捕捉到大部分正交多維的變異量；按照最小交替平方原理，計算求解新特征。
[0011]本發(fā)明實施例采取的技術(shù)方案還包括:所述張量學(xué)習(xí)模塊包括張量分類模型訓(xùn)練單元和張量分類模型優(yōu)化單元；
[0012]所述張量分類模型訓(xùn)練單元用于利用專家知識庫和最優(yōu)投影支持張量機(jī)對彌散張量圖像進(jìn)行張量分類模型訓(xùn)練；
[0013]所述張量分類模型優(yōu)化單元用于進(jìn)行張量分類模型優(yōu)化和測試。
[0014]本發(fā)明實施例采取的技術(shù)方案還包括:所述張量分類模型訓(xùn)練具體為:基于最優(yōu)投影支持張量機(jī)對彌散張量圖像進(jìn)行模式識別，尋找圖像在邊界方向上的最優(yōu)投影，并通過最大化投影后樣本的類間矩陣和類內(nèi)矩陣的散布之比來計算最優(yōu)的投影矢量，所述計算最優(yōu)的投影矢量具體包括:計算類間矩陣Sb和類內(nèi)矩陣Sw散布之比的極大值max [ (V1SbV) /(VtSwV)]，求解第一個邊界方向上的最優(yōu)投影矢量V ;把訓(xùn)練樣本通過V投影，求解二次規(guī)劃問題，同理求得第二個邊界方向上的最優(yōu)投影矢量；用類間散布矩陣和類內(nèi)散布矩陣定義投影離散系數(shù)R = Tr (SbXSj) /Tr (SwX SWT)，R代表訓(xùn)練樣本經(jīng)過最優(yōu)投影矢量投影后樣本間的分離度，R值越大表示訓(xùn)練樣本經(jīng)過投影后樣本間距離就越大。
[0015]本發(fā)明實施例采取的技術(shù)方案還包括:所述張量分類模型訓(xùn)練還包括:基于最優(yōu)投影支持張量機(jī)分析兩種投影方案為:每個子分類器的訓(xùn)練樣本都向同一個方向投影，或者每個子分類器確定不同的投影矢量，然后訓(xùn)練樣本分別向各自的投影矢量方向上投影。
[0016]本發(fā)明實施例采取的另一技術(shù)方案為:一種基于彌散張量成像技術(shù)的疾病診斷輔助方法，包括:
[0017]步驟a:采集彌散張量圖像，并進(jìn)行彌散張量圖像重配準(zhǔn)以及彌散張量圖像特征提取；
[0018]步驟b:建立大腦和脊髓相關(guān)疾病的專家知識庫；
[0019]步驟c:利用專家知識庫和張量學(xué)習(xí)算法對彌散張量圖像進(jìn)行張量分類模型訓(xùn)練以及張量分類模型優(yōu)化和測試；
[0020]步驟d:輸出診斷結(jié)果。
[0021]本發(fā)明實施例采取的技術(shù)方案還包括:在所述步驟a中，所述彌散張量圖像重配準(zhǔn)包括基于張量相似度的彌散張量圖像配準(zhǔn)及基于標(biāo)量相似度的彌散張量圖像配準(zhǔn)。
[0022]本發(fā)明實施例采取的技術(shù)方案還包括:在所述步驟a中，所述彌散張量圖像特征提取為:基于張量代數(shù)的多線性核主成分分析方法進(jìn)行彌散張量圖像的特征提取和降維；具體包括:首先選取適當(dāng)?shù)暮撕瘮?shù)把原始數(shù)據(jù)映射到各自的特征空間，再通過張量積將所有的特征映射到多重線性子空間，使得各子空間能捕捉到大部分正交多維的變異量，按照最小交替平方原理，計算求解新特征。
[0023]本發(fā)明實施例采取的技術(shù)方案還包括:在所述步驟c中，所述張量分類模型訓(xùn)練具體為:基于最優(yōu)投影支持張量機(jī)對彌散張量圖像進(jìn)行模式識別，尋找圖像在邊界方向上的最優(yōu)投影，并通過最大化投影后樣本的類間矩陣和類內(nèi)矩陣的散布之比來計算最優(yōu)的投影矢量，所述計算最優(yōu)的投影矢量具體包括:計算類間矩陣Sb和類內(nèi)矩陣Sw散布之比的極大值max [ (VTSbV) / (VtSwV)]，求解第一個邊界方向上的最優(yōu)投影矢量v ;把訓(xùn)練樣本通過v投影，求解二次規(guī)劃問題，同理求得第二個邊界方向上的最優(yōu)投影矢量；用類間散布矩陣和類內(nèi)散布矩陣定義投影離散系數(shù)R = Tr(SbXSbT)/Tr(SwXSwT)，R代表訓(xùn)練樣本經(jīng)過最優(yōu)投影矢量投影后樣本間的分離度，R值越大表示訓(xùn)練樣本經(jīng)過投影后樣本間距離就越大。
[0024]本發(fā)明實施例的基于彌散張量成像技術(shù)的疾病診斷輔助系統(tǒng)及方法針對彌散張量圖像中方向信息比灰度信息更敏感的特點(diǎn)，提出二重度量配準(zhǔn)方法；其次，提出一種多線性核主成分分析方法實現(xiàn)彌散張量圖像的特征提取和降維；最后，針對向量模式學(xué)習(xí)算法在處理張量結(jié)構(gòu)數(shù)據(jù)方面的局限性，結(jié)合分類器的結(jié)構(gòu)風(fēng)險最小化原理和現(xiàn)有的張量模式學(xué)習(xí)算法，并基于最優(yōu)投影矢量準(zhǔn)則，提出基于最優(yōu)投影支持張量機(jī)，實現(xiàn)基于張量模式算法和彌散張量圖像的疾病診斷實時識別，可以在不破壞原始數(shù)據(jù)結(jié)構(gòu)的前提下，充分挖掘圖像的原有信息，提高模式分類精度，可以極大地降低計算量和計算成本，并有效地保整了疾病診斷的實時性。本發(fā)明可用于在星形細(xì)胞瘤間變型、精神脫髓鞘性病變、中樞神經(jīng)系統(tǒng)發(fā)育異常、精神分裂癥、抑郁癥、脊髓型頸椎病等與腦和脊髓相關(guān)聯(lián)的疾病分析和預(yù)測方面，同時本發(fā)明也可以用于正常人的大腦和脊髓相關(guān)疾病的預(yù)防和健康護(hù)理方面。

【專利附圖】

【附圖說明】
[0025]圖1是本發(fā)明實施例的基于彌散張量成像技術(shù)的疾病診斷輔助系統(tǒng)的結(jié)構(gòu)示意圖；
[0026]圖2是本發(fā)明實施例的基于彌散張量成像技術(shù)的疾病診斷輔助方法的流程圖。

【具體實施方式】
[0027]為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。
[0028]請參閱圖1，是本發(fā)明實施例的基于彌散張量成像技術(shù)的疾病診斷輔助系統(tǒng)的結(jié)構(gòu)示意圖。本發(fā)明實施例的基于彌散張量成像技術(shù)的疾病診斷輔助系統(tǒng)包括圖像預(yù)處理模塊、專家知識庫模塊、張量學(xué)習(xí)模塊和診斷結(jié)果輸出模塊；其中，圖像預(yù)處理模塊用于彌散張量圖像的采集、基于張量模式的彌散張量圖像重配準(zhǔn)以及基于多線性核主成分分析方法的彌散張量圖像特征提??；專家知識庫模塊用于建立大腦和脊髓相關(guān)疾病的專家知識庫；張量學(xué)習(xí)模塊用于利用專家知識庫和張量學(xué)習(xí)算法對彌散張量圖像進(jìn)行張量分類模型訓(xùn)練及張量分類模型優(yōu)化和測試；診斷結(jié)果輸出模塊用于輸出診斷結(jié)果。
[0029]具體地，圖像預(yù)處理模塊包括圖像采集單元、圖像配準(zhǔn)單元和特征提取單元，
[0030]圖像采集單元用于采集彌散張量圖像；
[0031]圖像配準(zhǔn)單元用于針對彌散張量圖像中方向信息比灰度信息更敏感的特點(diǎn)，首先進(jìn)行基于張量相似度的彌散張量圖像配準(zhǔn)，再進(jìn)行基于標(biāo)量相似度的彌散張量圖像配準(zhǔn)。
[0032]特征提取單元用于基于張量代數(shù)的多線性核主成分分析方法實現(xiàn)彌散張量圖像的特征提取和降維，具體為:首先選取適當(dāng)?shù)暮撕瘮?shù)把原始數(shù)據(jù)映射到各自的特征空間，再通過張量積將所有的特征映射到多重線性子空間，使得各子空間能捕捉到大部分正交多維的變異量，按照最小交替平方原理，計算求解新特征。其中，主成分分析(PrincipalComponent Analysis,PCA)方法是將多個變量通過線性變換以選出較少個數(shù)重要變量的一種多兀統(tǒng)計分析方法，又稱主分量分析。
[0033]張量學(xué)習(xí)模塊包括張量分類模型訓(xùn)練單元和張量分類模型優(yōu)化單元，
[0034]張量分類模型訓(xùn)練單元用于利用專家知識庫和最優(yōu)投影支持張量機(jī)(OPSTM)對彌散張量圖像進(jìn)行張量分類模型訓(xùn)練；具體為:利用Fisher準(zhǔn)則，基于最優(yōu)投影支持張量機(jī)對彌散張量圖像進(jìn)行模式識別，尋找圖像在邊界方向上的最優(yōu)投影，并通過最大化投影后樣本的類間矩陣和類內(nèi)矩陣的散布之比來計算最優(yōu)的投影矢量；算法分為兩步來實現(xiàn):
(I)、計算類間矩陣Sb和類內(nèi)矩陣Sw散布之比的極大值max [ (VTSbV) / (VtSwV)]，求解第一個邊界方向上的最優(yōu)投影矢量V。(2)、把訓(xùn)練樣本通過V投影，求解二次規(guī)劃問題，同理可求得第二個邊界方向上的最優(yōu)投影矢量。本發(fā)明利用類間散布矩陣和類內(nèi)散布矩陣定義投影離散系數(shù)R = THSbXSbT)/Tr(SwXSwT)，R代表訓(xùn)練樣本經(jīng)過最優(yōu)投影矢量投影后樣本間的分離度，R值越大表示訓(xùn)練樣本經(jīng)過投影后樣本間距離就越大。將基于最優(yōu)投影支持張量機(jī)從二分類推廣到多分類中，分析兩種投影方案:1、每個子分類器的訓(xùn)練樣本都向同一個方向投影。2、每個子分類器確定不同的投影矢量，然后訓(xùn)練樣本分別向各自的投影矢量方向上投影。由于把訓(xùn)練樣本投影到張量子空間中，不同類的訓(xùn)練樣本會相互分離，同類的訓(xùn)練樣本會相互靠近。這使得選取同一投影矢量的方案識別率高于選取非同一投影矢量的方案。
[0035]張量分類模型優(yōu)化單元用于進(jìn)行張量分類模型優(yōu)化和測試；具體為:結(jié)合多線性代數(shù)運(yùn)算規(guī)則，針對流數(shù)據(jù)特點(diǎn)，把最優(yōu)投影支持張量機(jī)推廣到在線形式，并將優(yōu)化問題中的不等式約束轉(zhuǎn)化為等式約束，對彌散張量成像數(shù)據(jù)(二階張量)來說，僅需要求解兩個線性方程組，進(jìn)行簡單的矩陣逆運(yùn)算，可以大幅降低計算量。在目標(biāo)函數(shù)優(yōu)化方法上，充分考慮流數(shù)據(jù)的特點(diǎn)，利用隨機(jī)梯度下降法完成拉格朗日乘子迭代。為了能保持流數(shù)據(jù)的原始結(jié)構(gòu)信息并降低計算成本，利用張量的CP分解輔助張量內(nèi)積運(yùn)算，這可以在保持原始張量的自然結(jié)構(gòu)信息的同時，減少計算量并節(jié)省存儲空間。
[0036]請參閱圖2，是本發(fā)明實施例的基于彌散張量成像技術(shù)的疾病診斷輔助方法的流程圖。本發(fā)明實施例的基于彌散張量成像技術(shù)的疾病診斷輔助方法包括以下步驟:
[0037]步驟100:采集彌散張量圖像；
[0038]步驟200:對所述采集的彌散張量圖像進(jìn)行配準(zhǔn)。具體而言:
[0039]針對彌散張量圖像中方向信息比灰度信息更敏感的特點(diǎn)，首先進(jìn)行基于張量相似度的彌散張量圖像配準(zhǔn)，再進(jìn)行基于標(biāo)量相似度的彌散張量圖像配準(zhǔn)
[0040]步驟300:基于張量代數(shù)的多線性核主成分分析方法進(jìn)行彌散張量圖像的特征提取和降維；
[0041]在步驟300中，彌散張量圖像的特征提取和降維具體為:首先選取適當(dāng)?shù)暮撕瘮?shù)把原始數(shù)據(jù)映射到各自的特征空間，再通過張量積將所有的特征映射到多重線性子空間，使得各子空間能捕捉到大部分正交多維的變異量，按照最小交替平方原理，計算求解新特征。
[0042]步驟400:建立大腦和脊髓相關(guān)疾病的專家知識庫；
[0043]步驟500:尋找上述彌散張量圖像在邊界方向上的最優(yōu)投影，并通過最大化投影后樣本的類間矩陣和類內(nèi)矩陣的散布之比來計算最優(yōu)的投影矢量。具體而言:
[0044]分為兩步來實現(xiàn):(I)、計算類間矩陣Sb和類內(nèi)矩陣Sw散布之比的極大值max [ (VTSbV) / (VtSwV)]，求解第一個邊界方向上的最優(yōu)投影矢量V。(2)、把訓(xùn)練樣本通過v投影，求解二次規(guī)劃問題，同理可求得第二個邊界方向上的最優(yōu)投影矢量。
[0045]步驟600:利用專家知識庫和最優(yōu)投影支持張量機(jī)進(jìn)行張量分類模型訓(xùn)練；
[0046]在步驟600中，張量分類模型訓(xùn)練具體為:利用Fisher準(zhǔn)則，基于最優(yōu)投影支持張量機(jī)對彌散張量圖像進(jìn)行模式識別。本發(fā)明利用類間散布矩陣和類內(nèi)散布矩陣定義投影離散系數(shù)R = THSbXSbT)/Tr(SwXSwT)，R代表訓(xùn)練樣本經(jīng)過最優(yōu)投影矢量投影后樣本間的分離度，R值越大表示訓(xùn)練樣本經(jīng)過投影后樣本間距離就越大。將基于最優(yōu)投影支持張量機(jī)從二分類推廣到多分類中，分析兩種投影方案:1、每個子分類器的訓(xùn)練樣本都向同一個方向投影。2、每個子分類器確定不同的投影矢量，然后訓(xùn)練樣本分別向各自的投影矢量方向上投影。由于把訓(xùn)練樣本投影到張量子空間中，不同類的訓(xùn)練樣本會相互分離，同類的訓(xùn)練樣本會相互靠近。這使得選取同一投影矢量的方案識別率高于選取非同一投影矢量的方案。
[0047]步驟700:進(jìn)行張量分類模型優(yōu)化和測試；
[0048]在步驟700中，張量分類模型優(yōu)化和測試具體為:結(jié)合多線性代數(shù)運(yùn)算規(guī)則，針對流數(shù)據(jù)特點(diǎn)，把最優(yōu)投影支持張量機(jī)推廣到在線形式，并將優(yōu)化問題中的不等式約束轉(zhuǎn)化為等式約束，對彌散張量成像數(shù)據(jù)(二階張量)來說，僅需要求解兩個線性方程組，進(jìn)行簡單的矩陣逆運(yùn)算，可以大幅降低計算量。在目標(biāo)函數(shù)優(yōu)化方法上，充分考慮流數(shù)據(jù)的特點(diǎn)，利用隨機(jī)梯度下降法完成拉格朗日乘子迭代。為了能保持流數(shù)據(jù)的原始結(jié)構(gòu)信息并降低計算成本，利用張量的CP分解輔助張量內(nèi)積運(yùn)算，這可以在保持原始張量的自然結(jié)構(gòu)信息的同時，減少計算量并節(jié)省存儲空間。
[0049]步驟800:輸出診斷結(jié)果。
[0050]本發(fā)明實施例的基于彌散張量成像技術(shù)的疾病診斷輔助系統(tǒng)及方法針對彌散張量圖像中方向信息比灰度信息更敏感的特點(diǎn)，提出二重度量配準(zhǔn)方法；其次，提出一種多線性核主成分分析方法實現(xiàn)彌散張量圖像的特征提取和降維；最后，針對向量模式學(xué)習(xí)算法在處理張量結(jié)構(gòu)數(shù)據(jù)方面的局限性，結(jié)合分類器的結(jié)構(gòu)風(fēng)險最小化原理和現(xiàn)有的張量模式學(xué)習(xí)算法，并基于最優(yōu)投影矢量準(zhǔn)則，提出基于最優(yōu)投影支持張量機(jī)，實現(xiàn)基于張量模式算法和彌散張量圖像的疾病診斷實時識別，可以在不破壞原始數(shù)據(jù)結(jié)構(gòu)的前提下，充分挖掘圖像的原有信息，提高模式分類精度，可以極大地降低計算量和計算成本，并有效地保整了疾病診斷的實時性。本發(fā)明可用于在星形細(xì)胞瘤間變型、精神脫髓鞘性病變、中樞神經(jīng)系統(tǒng)發(fā)育異常、精神分裂癥、抑郁癥、脊髓型頸椎病等與腦和脊髓相關(guān)聯(lián)的疾病分析和預(yù)測方面，同時本發(fā)明也可以用于正常人的大腦和脊髓相關(guān)疾病的預(yù)防和健康護(hù)理方面。
[0051]以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
【權(quán)利要求】
1.一種基于彌散張量成像技術(shù)的疾病診斷輔助系統(tǒng)，其特征在于:包括圖像預(yù)處理模塊、專家知識庫模塊、張量學(xué)習(xí)模塊和診斷結(jié)果輸出模塊；所述圖像預(yù)處理模塊用于彌散張量圖像的采集、彌散張量圖像重配準(zhǔn)以及彌散張量圖像特征提?。凰鰧＜抑R庫模塊用于建立大腦和脊髓相關(guān)疾病的專家知識庫；所述張量學(xué)習(xí)模塊用于利用專家知識庫和張量學(xué)習(xí)算法對彌散張量圖像進(jìn)行張量分類模型訓(xùn)練以及張量分類模型優(yōu)化和測試；所述診斷結(jié)果輸出模塊用于輸出診斷結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于彌散張量成像技術(shù)的疾病診斷輔助系統(tǒng)，其特征在于，所述圖像預(yù)處理模塊包括圖像采集單元、圖像配準(zhǔn)單元和特征提取單元； 所述圖像采集單元用于采集彌散張量圖像； 所述圖像配準(zhǔn)單元用于進(jìn)行基于張量相似度的彌散張量圖像配準(zhǔn)，再進(jìn)行基于標(biāo)量相似度的彌散張量圖像配準(zhǔn)； 所述特征提取單元用于基于張量代數(shù)的多線性核主成分分析方法進(jìn)行彌散張量圖像的特征提取和降維。
3.根據(jù)權(quán)利要求2所述的基于彌散張量成像技術(shù)的疾病診斷輔助系統(tǒng)，其特征在于，所述彌散張量圖像的特征提取和降維具體為:首先選取適當(dāng)?shù)暮撕瘮?shù)把原始數(shù)據(jù)映射到各自的特征空間；再通過張量積將所有的特征映射到多重線性子空間，使得各子空間能捕捉到大部分正交多維的變異量；按照最小交替平方原理，計算求解新特征。
4.根據(jù)權(quán)利要求1所述的基于彌散張量成像技術(shù)的疾病診斷輔助系統(tǒng)，其特征在于，所述張量學(xué)習(xí)模塊包括張量分類模型訓(xùn)練單元和張量分類模型優(yōu)化單元； 所述張量分類模型訓(xùn)練單元用于利用專家知識庫和最優(yōu)投影支持張量機(jī)對彌散張量圖像進(jìn)行張量分類模型訓(xùn)練； 所述張量分類模型優(yōu)化單元用于進(jìn)行張量分類模型優(yōu)化和測試。
5.根據(jù)權(quán)利要求4所述的基于彌散張量成像技術(shù)的疾病診斷輔助系統(tǒng)，其特征在于，所述張量分類模型訓(xùn)練具體為:基于最優(yōu)投影支持張量機(jī)對彌散張量圖像進(jìn)行模式識別，尋找圖像在邊界方向上的最優(yōu)投影，并通過最大化投影后樣本的類間矩陣和類內(nèi)矩陣的散布之比來計算最優(yōu)的投影矢量，所述計算最優(yōu)的投影矢量具體包括:計算類間矩陣Sb和類內(nèi)矩陣Sw散布之比的極大值max[(VTSbV)/(VTSwV)]，求解第一個邊界方向上的最優(yōu)投影矢量V ;把訓(xùn)練樣本通過V投影，求解二次規(guī)劃問題，同理求得第二個邊界方向上的最優(yōu)投影矢量；用類間散布矩陣和類內(nèi)散布矩陣定義投影離散系數(shù)R = Tr (SbXSbT)/Tr (SWXSWT)，R代表訓(xùn)練樣本經(jīng)過最優(yōu)投影矢量投影后樣本間的分離度，R值越大表示訓(xùn)練樣本經(jīng)過投影后樣本間距離就越大。
6.根據(jù)權(quán)利要求5所述的基于彌散張量成像技術(shù)的疾病診斷輔助系統(tǒng)，其特征在于，所述張量分類模型訓(xùn)練還包括:基于最優(yōu)投影支持張量機(jī)分析兩種投影方案為:每個子分類器的訓(xùn)練樣本都向同一個方向投影，或者每個子分類器確定不同的投影矢量，然后訓(xùn)練樣本分別向各自的投影矢量方向上投影。
7.一種基于彌散張量成像技術(shù)的疾病診斷輔助方法，包括: 步驟a:采集彌散張量圖像，并進(jìn)行彌散張量圖像重配準(zhǔn)以及彌散張量圖像特征提?。? 步驟b:建立大腦和脊髓相關(guān)疾病的專家知識庫； 步驟c:利用專家知識庫和張量學(xué)習(xí)算法對彌散張量圖像進(jìn)行張量分類模型訓(xùn)練以及張量分類模型優(yōu)化和測試； 步驟d:輸出診斷結(jié)果。
8.根據(jù)權(quán)利要求7所述的基于彌散張量成像技術(shù)的疾病診斷輔助方法，其特征在于，在所述步驟a中，所述彌散張量圖像重配準(zhǔn)包括基于張量相似度的彌散張量圖像配準(zhǔn)及基于標(biāo)量相似度的彌散張量圖像配準(zhǔn)。
9.根據(jù)權(quán)利要求7所述的基于彌散張量成像技術(shù)的疾病診斷輔助方法，其特征在于，在所述步驟a中，所述彌散張量圖像特征提取為:基于張量代數(shù)的多線性核主成分分析方法進(jìn)行彌散張量圖像的特征提取和降維；具體包括:首先選取適當(dāng)?shù)暮撕瘮?shù)把原始數(shù)據(jù)映射到各自的特征空間，再通過張量積將所有的特征映射到多重線性子空間，使得各子空間能捕捉到大部分正交多維的變異量，按照最小交替平方原理，計算求解新特征。
10.根據(jù)權(quán)利要求7所述的基于彌散張量成像技術(shù)的疾病診斷輔助方法，其特征在于，在所述步驟c中，所述張量分類模型訓(xùn)練具體為:基于最優(yōu)投影支持張量機(jī)對彌散張量圖像進(jìn)行模式識別，尋找圖像在邊界方向上的最優(yōu)投影，并通過最大化投影后樣本的類間矩陣和類內(nèi)矩陣的散布之比來計算最優(yōu)的投影矢量，所述計算最優(yōu)的投影矢量具體包括:計算類間矩陣Sb和類內(nèi)矩陣Sv散布之比的極大值max [ (VTSbV) / (VtSwV)]，求解第一個邊界方向上的最優(yōu)投影矢量V ;把訓(xùn)練樣本通過V投影，求解二次規(guī)劃問題，同理求得第二個邊界方向上的最優(yōu)投影矢量；用類間散布矩陣和類內(nèi)散布矩陣定義投影離散系數(shù)R =Tr (SbXSbT) /Tr (SwX SWT)，R代表訓(xùn)練樣本經(jīng)過最優(yōu)投影矢量投影后樣本間的分離度，R值越大表示訓(xùn)練樣本經(jīng)過投影后樣本間距離就越大。
【文檔編號】G06K9/66GK104361318SQ201410627555
【公開日】2015年2月18日 申請日期:2014年11月10日 優(yōu)先權(quán)日:2014年11月10日
【發(fā)明者】王書強(qiáng), 胡勇, 談維棋, 申妍燕, 胡金星, 尹凌, 曾春霞 申請人:中國科學(xué)院深圳先進(jìn)技術(shù)研究院