一種基于nmf的mri和mrsi數(shù)據(jù)融合方法
【專(zhuān)利摘要】本發(fā)明提供了一種基于NMF的MRI和MRSI數(shù)據(jù)融合方法，首先對(duì)病人的MRI數(shù)據(jù)進(jìn)行分割，通過(guò)在對(duì)病人插值后的MRSI數(shù)據(jù)進(jìn)行NMF迭代分解的過(guò)程中加入MRI的分割信息和灰度信息：有分割線經(jīng)過(guò)的體素對(duì)應(yīng)的h-map根據(jù)MRI灰度數(shù)據(jù)進(jìn)行調(diào)整，而沒(méi)有分割線經(jīng)過(guò)的體素對(duì)應(yīng)的h-map保持不變。然后將融合后的h-map再次帶入MRSI數(shù)據(jù)的分解過(guò)程中直至滿足終止條件，從而得到融合結(jié)果。本發(fā)明融合結(jié)果既保留了MRSI數(shù)據(jù)的高準(zhǔn)確性也改善了MRSI數(shù)據(jù)空間分辨率上的不足，算法流程簡(jiǎn)單，準(zhǔn)確性更優(yōu)。
【專(zhuān)利說(shuō)明】-種基于NMF的MRI和MRSI數(shù)據(jù)融合方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于信號(hào)處理領(lǐng)域，尤其涉及一種基于NMF的MRI和MRSI數(shù)據(jù)融合方法。

【背景技術(shù)】
[0002] 隨著醫(yī)學(xué)診斷技術(shù)的不斷發(fā)展，越來(lái)越多的技術(shù)手段被應(yīng)用于腫瘤診斷中。非侵 入式的檢測(cè)手段可以在避免手術(shù)的情況下對(duì)患者進(jìn)行診斷，因而受到了廣泛的應(yīng)用。目前， 醫(yī)學(xué)上常見(jiàn)的非侵入式的腫瘤檢測(cè)手段包括如正電子發(fā)射層掃描術(shù)（Positron Emission Tomography, PET)、X-射線、電子計(jì)算機(jī)X射線斷層掃描技術(shù)（Computed Tomography, CT)、 核磁共振（Nuclear Magnetic Resonance,NMR)技術(shù)等。近年來(lái)，人們對(duì)醫(yī)學(xué)成像的要求越 來(lái)越高，單一的成像方法已經(jīng)不足以滿足臨床醫(yī)學(xué)的要求，人們開(kāi)始著手研究將多種不同 的成像結(jié)果進(jìn)行融合以得到融合結(jié)果，如SPECT/CT圖像融合、CT/MRI圖像融合、PET/CT圖 像融合等。
[0003] 核磁共振譜成像（Magnetic Resonance Spectroscopy Imaging，MRSI)技術(shù)是腫 瘤診斷的新技術(shù)，MRSI通過(guò)人體的化學(xué)成分提供人體組織生物化學(xué)的空間信息，能夠?qū)ι?物組織類(lèi)型進(jìn)行準(zhǔn)確判斷。但MRSI數(shù)據(jù)量大，結(jié)果表達(dá)不直觀，需要專(zhuān)業(yè)人員解讀，費(fèi)時(shí)費(fèi) 力。此外，MRSI數(shù)據(jù)空間分辨率低，無(wú)法對(duì)腫瘤的位置進(jìn)行準(zhǔn)確分辨。這些都限制了 MRSI 技術(shù)在腫瘤診斷中的應(yīng)用和推廣。但MRSI數(shù)據(jù)卻有著其它診斷手段無(wú)法比擬的高準(zhǔn)確率， 將MRSI數(shù)據(jù)與MRI數(shù)據(jù)進(jìn)行數(shù)據(jù)融合，可以保留兩種數(shù)據(jù)的優(yōu)點(diǎn)，得到高準(zhǔn)確率高空間分 辨率的融合數(shù)據(jù)。
[0004] MRSI數(shù)據(jù)與MRI數(shù)據(jù)融合屬于多模態(tài)數(shù)據(jù)融合，多模態(tài)數(shù)據(jù)融合在其它領(lǐng)域 已經(jīng)有了大量應(yīng)用實(shí)例。YokoyaN 等在《Coupled nonnegative matrix factorization unmixing for hyperspectral and multispectral data fusion〉〉中提出共輒非負(fù)矩陣分 解交替分離算法（cNMF)用于將低空間分辨率高光譜數(shù)據(jù)與高空間分辨率多線譜數(shù)據(jù)進(jìn)行 融合以得到高空間分辨率的高光譜數(shù)據(jù)。該方法需要待融合的兩組數(shù)據(jù)都可以進(jìn)行NMF分 解，而MRI源數(shù)據(jù)為圖像數(shù)據(jù)，無(wú)法進(jìn)行NMF分解，因而該方法無(wú)法用于MRI和MRSI數(shù)據(jù)的 融合。
[0005] ((Structure-revealing data fusion model with applications in metabolomics》一文中采用非負(fù)張量分解方法通過(guò)將血液熒光樣本和MRSI數(shù)據(jù)集相融合 用于直腸癌患者的檢測(cè)，非負(fù)張量分解為高階矩陣分解方法。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于提供一種基于NMF的MRI和MRSI數(shù)據(jù)融合方法，即通過(guò)數(shù)據(jù)融 合技術(shù)將不同模態(tài)的數(shù)據(jù)融合，得到包含兩種數(shù)據(jù)優(yōu)勢(shì)的融合結(jié)果。
[0007] 本發(fā)明是這樣實(shí)現(xiàn)的，一種基于NMF的MRI和MRSI數(shù)據(jù)融合方法，包括以下步驟：
[0008] S1、將數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)配準(zhǔn)、MRI數(shù)據(jù)和MRSI數(shù)據(jù)處理；
[0009] S2、數(shù)據(jù)進(jìn)行融合：
[0010] 1)采用非負(fù)最小二乘法由xIN和hin得到波譜矩陣w;
[0011] 2)對(duì)波譜矩陣W逐列進(jìn)行迭代更新，對(duì)空間分布矩陣HIN逐行進(jìn)行迭代更新，對(duì)得 到的H IN進(jìn)行歸一化處理，得到歸一化的 HlNnormal 矛口 HiNabnormal ;
[0012] 3)判斷每個(gè)體素塊所對(duì)應(yīng)的MRI分割矩陣供判定該體素內(nèi)有無(wú)分割線經(jīng)過(guò)，若有 分割線經(jīng)過(guò)，則將調(diào)整后的hINnOTmal和hINabnOTmal重新組合成為 ^INnormal ^INabnormal ?
[0013] 4)逆歸一化得到融合后的HIN ;
[0014] 5)返回步驟1)，直至滿足迭代終止條件；
[0015] S3、得到融合后的參考波譜WnOTmal和WabnOTmal，以及對(duì)應(yīng)的h-map。
[0016] 優(yōu)選地，在步驟S1中，所述數(shù)據(jù)配準(zhǔn)具體包括以下步驟：將MRSI數(shù)據(jù)的V0I區(qū)域 在MRI圖像中標(biāo)識(shí)出來(lái)，使MRI灰度矩陣與MRSI數(shù)據(jù)所代表的區(qū)域一致，得到MRSI數(shù)據(jù) V0I區(qū)域的MRI灰度矩陣數(shù)據(jù)Y。
[0017] 優(yōu)選地，在步驟S1中，所述MRI數(shù)據(jù)處理具體包括以下步驟：
[0018] 采用水平集分割方法對(duì)配準(zhǔn)后的MRI灰度矩陣進(jìn)行分割，得到MRI數(shù)據(jù)的分割矩 陣Φ，其中1代表正常組織，-1代表非正常組織；
[0019] 將MRI灰度矩陣Y與分割矩陣Φ按照MRSI體素規(guī)模進(jìn)行劃分，得到每個(gè)體素對(duì) 應(yīng)的灰度矩陣y和分割矩陣9。
[0020] 優(yōu)選地，在步驟S1中，所述MRSI數(shù)據(jù)處理具體包括以下步驟：
[0021] 對(duì)MRSI數(shù)據(jù)X采用NMF乘性更新算法分解，令波源數(shù)量為2,波譜和h-map的值均 為隨機(jī)初值；
[0022] 得到兩個(gè)波源及其相應(yīng)的空間分布HnOTmal及HabnOTmal ;
[0023] 比較兩波譜的NAA/Lips的比值（NAA與Lips的值分別為2. Olppm及1. 3ppm附近 區(qū)域的最大強(qiáng)度值），NAA/Lips比值較大的波譜代表正常組織，較小的為波譜代表非正常 組織；
[0024] 分別對(duì)兩個(gè)h-map進(jìn)行二項(xiàng)插值，使兩個(gè)h-map與MRI灰度矩陣Y同型，并對(duì)插值 后的 HiNnormal 矛口 HiNabnormal 按照體素規(guī)模進(jìn)行劃分；
[0025] 再由插值后的兩個(gè)h-map得到矩陣HIN，由波譜矩陣W與HIN相乘得到MRSI插值數(shù) 據(jù) XIN。
[0026] 優(yōu)選地，在步驟2)中，所述對(duì)波譜矩陣逐列進(jìn)行迭代更新的更新規(guī)則為：
[0027]

【權(quán)利要求】
1. 一種基于NMF的MRI和MRSI數(shù)據(jù)融合方法，其特征在于包括以下步驟： 51、 將數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)配準(zhǔn)、MRI數(shù)據(jù)和MRSI數(shù)據(jù)處理； 52、 數(shù)據(jù)進(jìn)行融合： 1) 采用非負(fù)最小二乘法由Xin和Hin得到波譜矩陣W; 2) 對(duì)波譜矩陣W逐列進(jìn)行迭代更新，對(duì)空間分布矩陣Hin逐行進(jìn)行迭代更新，對(duì)得到的 Hin進(jìn)行歸一化處理，得到歸一化的 ^INnormal^INabnormal? 3) 判斷每個(gè)體素塊所對(duì)應(yīng)的MRI分割矩陣0判定該體素內(nèi)有無(wú)分割線經(jīng)過(guò)，若有分割 線經(jīng)過(guò)，則將調(diào)整后的hIN_al和hINab_al重新組合成為 ^INnormal^INabnormal? 4) 逆歸一化得到融合后的Hin ; 5) 返回步驟1)，直至滿足迭代終止條件； 53、 得到融合后的參考波譜Wnmial和Wabnmial，以及對(duì)應(yīng)的h-map。
2. 如權(quán)利要求1所述的基于NMF的MRI和MRSI數(shù)據(jù)融合方法，其特征在于，在步驟SI 中，所述數(shù)據(jù)配準(zhǔn)具體包括以下步驟：將MRSI數(shù)據(jù)的VOI區(qū)域在MRI圖像中標(biāo)識(shí)出來(lái)，使 MRI灰度矩陣與MRSI數(shù)據(jù)所代表的區(qū)域一致，得到MRSI數(shù)據(jù)VOI區(qū)域的MRI灰度矩陣數(shù)據(jù) Y0
3. 如權(quán)利要求2所述的基于NMF的MRI和MRSI數(shù)據(jù)融合方法，其特征在于，在步驟Sl 中，所述MRI數(shù)據(jù)處理具體包括以下步驟： 采用水平集分割方法對(duì)配準(zhǔn)后的MRI灰度矩陣進(jìn)行分割，得到MRI數(shù)據(jù)的分割矩陣小， 其中1代表正常組織，-1代表非正常組織； 將MRI灰度矩陣Y與分割矩陣按照MRSI體素規(guī)模進(jìn)行劃分，得到每個(gè)體素對(duì)應(yīng)的 灰度矩陣y和分割矩陣P。
4. 如權(quán)利要求3所述的基于NMF的MRI和MRSI數(shù)據(jù)融合方法，其特征在于，在步驟Sl 中，所述MRSI數(shù)據(jù)處理具體包括以下步驟： 對(duì)MRSI數(shù)據(jù)X采用NMF乘性更新算法分解，令波源數(shù)量為2,波譜和h-map的值均為隨 機(jī)初值； 得到兩個(gè)波源及其相應(yīng)的空間分布 ^normal^abnormal? 比較兩波譜的NAA/Lips的比值（NAA與Lips的值分別為2.Olppm及I. 3ppm附近區(qū)域 的最大強(qiáng)度值），NAA/Lips比值較大的波譜代表正常組織，較小的為波譜代表非正常組織； 分別對(duì)兩個(gè)h-map進(jìn)行二項(xiàng)插值，使兩個(gè)h-map與MRI灰度矩陣Y同型，并對(duì)插值后的 ^INnormal^INabnormal按照體素規(guī)模進(jìn)行劃分； 再由插值后的兩個(gè)h-map得到矩陣Hin，由波譜矩陣W與Hin相乘得到MRSI插值數(shù)據(jù) Xin。
5. 如權(quán)利要求1所述的基于NMF的MRI和MRSI數(shù)據(jù)融合方法，其特征在于，在步驟2) 中，所述對(duì)波譜矩陣逐列進(jìn)行迭代更新的更新規(guī)則為：
式⑴中，Xin為MRSI數(shù)據(jù)矩陣插值數(shù)據(jù)，Hin為h-map插值矩陣，W:1為矩陣W第1列，Olk為矩陣第1行k列。
6. 如權(quán)利要求1所述的基于NMF的MRI和MRSI數(shù)據(jù)融合方法，其特征在于，在步驟2) 中，所述對(duì)空間分布矩陣Hin逐行進(jìn)行迭代更新的更新規(guī)則為：
式⑵中，Xin為MRSI數(shù)據(jù)矩陣插值數(shù)據(jù)，Hin為h-map插值矩陣，Hm:為矩陣Hin第1 行，Olk為矩陣第1行k列。
7. 如權(quán)利要求1所述的基于NMF的MRI和MRSI數(shù)據(jù)融合方法，其特征在于，在步驟3) 中，若有分割線經(jīng)過(guò)，則分別對(duì)hIN_al和hINab_al做如下調(diào)整：
式⑶和⑷中，h為 hiNnormal矛口hiNabnormal單個(gè)體素所對(duì)應(yīng)的矩陣，h_和hmin分別為當(dāng) 前矩陣h的最大最小值，y為相同體素對(duì)應(yīng)的MRI灰度矩陣，ymax和ymin分別為當(dāng)前矩陣y 的最大最小值； 將調(diào)整后的hINnOTal和hINabnOTal重新組合成為 HlNnormal矛口HiNaLnormal?
8. 如權(quán)利要求1所述的基于NMF的MRI和MRSI數(shù)據(jù)融合方法，其特征在于，在步驟5) 中，所述終止條件為：
式（5)中，Wk+1為第k+1次迭代結(jié)果，Wk為第k次迭代結(jié)果，corr(x，y)為兩個(gè)向量相 關(guān)系數(shù)。
【文檔編號(hào)】A61B5/055GK104268885SQ201410522812
【公開(kāi)日】2015年1月7日 申請(qǐng)日期:2014年10月7日 優(yōu)先權(quán)日:2014年10月7日
【發(fā)明者】李雨謙, 劉鑫, 皮亦鳴, 李晉, 閔銳, 楊曉波, 范錄宏 申請(qǐng)人:電子科技大學(xué)