欧美在线观看视频网站,亚洲熟妇色自偷自拍另类,啪啪伊人网,中文字幕第13亚洲另类,中文成人久久久久影院免费观看 ,精品人妻人人做人人爽,亚洲a视频

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

文檔序號(hào):6633527閱讀:325來(lái)源:國(guó)知局
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(zhuān)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(zhuān)家知識(shí)庫(kù)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(zhuān)家知識(shí)庫(kù)模塊用于建立大腦和脊髓相關(guān)疾病的專(zhuān)家知識(shí)庫(kù);所述張量學(xué)習(xí)模塊用于利用專(zhuān)家知識(shí)庫(kù)和張量學(xué)習(xí)算法對(duì)彌散張量圖像進(jìn)行張量分類(lèi)模型訓(xùn)練以及張量分類(lèi)模型優(yōu)化和測(cè)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(lèi)精度,極大地降低計(jì)算量,并有效地保整了疾病診斷的實(shí)時(shí)性。
【專(zhuān)利說(shuō)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(wú)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(dòng)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(gè)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(guò)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(cè)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(kāi)為向量。然而,這種做法會(huì)帶來(lái)以下問(wèn)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(jì)參數(shù)(典型的為協(xié)方差陣)的維數(shù)極大,會(huì)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(jì)算復(fù)雜度和存儲(chǔ)代價(jià)。


【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(guò)程中,會(huì)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(jì)算復(fù)雜度和存儲(chǔ)代價(jià)的技術(shù)問(wèn)題。
[0005]本發(fā)明是這樣實(shí)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(zhuān)家知識(shí)庫(kù)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?zhuān)家知識(shí)庫(kù)模塊用于建立大腦和脊髓相關(guān)疾病的專(zhuān)家知識(shí)庫(kù);所述張量學(xué)習(xí)模塊用于利用專(zhuān)家知識(shí)庫(kù)和張量學(xué)習(xí)算法對(duì)彌散張量圖像進(jìn)行張量分類(lèi)模型訓(xùn)練以及張量分類(lèi)模型優(yōu)化和測(cè)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(shí)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(shí)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(guò)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(jì)算求解新特征。
[0011]本發(fā)明實(shí)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(lèi)模型訓(xùn)練單元和張量分類(lèi)模型優(yōu)化單元;
[0012]所述張量分類(lèi)模型訓(xùn)練單元用于利用專(zhuān)家知識(shí)庫(kù)和最優(yōu)投影支持張量機(jī)對(duì)彌散張量圖像進(jìn)行張量分類(lèi)模型訓(xùn)練;
[0013]所述張量分類(lèi)模型優(yōu)化單元用于進(jìn)行張量分類(lèi)模型優(yōu)化和測(cè)試。
[0014]本發(fā)明實(shí)施例采取的技術(shù)方案還包括:所述張量分類(lèi)模型訓(xùn)練具體為:基于最優(yōu)投影支持張量機(jī)對(duì)彌散張量圖像進(jìn)行模式識(shí)別,尋找圖像在邊界方向上的最優(yōu)投影,并通過(guò)最大化投影后樣本的類(lèi)間矩陣和類(lèi)內(nèi)矩陣的散布之比來(lái)計(jì)算最優(yōu)的投影矢量,所述計(jì)算最優(yōu)的投影矢量具體包括:計(jì)算類(lèi)間矩陣Sb和類(lèi)內(nèi)矩陣Sw散布之比的極大值max [ (V1SbV) /(VtSwV)],求解第一個(gè)邊界方向上的最優(yōu)投影矢量V ;把訓(xùn)練樣本通過(guò)V投影,求解二次規(guī)劃問(wèn)題,同理求得第二個(gè)邊界方向上的最優(yōu)投影矢量;用類(lèi)間散布矩陣和類(lèi)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(guò)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(guò)投影后樣本間距離就越大。
[0015]本發(fā)明實(shí)施例采取的技術(shù)方案還包括:所述張量分類(lèi)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(gè)子分類(lèi)器的訓(xùn)練樣本都向同一個(gè)方向投影,或者每個(gè)子分類(lèi)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(shí)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??;
[0018]步驟b:建立大腦和脊髓相關(guān)疾病的專(zhuān)家知識(shí)庫(kù);
[0019]步驟c:利用專(zhuān)家知識(shí)庫(kù)和張量學(xué)習(xí)算法對(duì)彌散張量圖像進(jìn)行張量分類(lèi)模型訓(xùn)練以及張量分類(lèi)模型優(yōu)化和測(cè)試;
[0020]步驟d:輸出診斷結(jié)果。
[0021]本發(fā)明實(shí)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(shí)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(guò)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(jì)算求解新特征。
[0023]本發(fā)明實(shí)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(lèi)模型訓(xùn)練具體為:基于最優(yōu)投影支持張量機(jī)對(duì)彌散張量圖像進(jìn)行模式識(shí)別,尋找圖像在邊界方向上的最優(yōu)投影,并通過(guò)最大化投影后樣本的類(lèi)間矩陣和類(lèi)內(nèi)矩陣的散布之比來(lái)計(jì)算最優(yōu)的投影矢量,所述計(jì)算最優(yōu)的投影矢量具體包括:計(jì)算類(lèi)間矩陣Sb和類(lèi)內(nèi)矩陣Sw散布之比的極大值max [ (VTSbV) / (VtSwV)],求解第一個(gè)邊界方向上的最優(yōu)投影矢量v ;把訓(xùn)練樣本通過(guò)v投影,求解二次規(guī)劃問(wèn)題,同理求得第二個(gè)邊界方向上的最優(yōu)投影矢量;用類(lèi)間散布矩陣和類(lèi)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(guò)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(guò)投影后樣本間距離就越大。
[0024]本發(fā)明實(shí)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(duì)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(shí)現(xiàn)彌散張量圖像的特征提取和降維;最后,針對(duì)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(lèi)器的結(jié)構(gòu)風(fēng)險(xiǎn)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(shí)現(xiàn)基于張量模式算法和彌散張量圖像的疾病診斷實(shí)時(shí)識(shí)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(lèi)精度,可以極大地降低計(jì)算量和計(jì)算成本,并有效地保整了疾病診斷的實(shí)時(shí)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(cè)方面,同時(shí)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(zhuān)利附圖】

【附圖說(shuō)明】
[0025]圖1是本發(fā)明實(shí)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(shí)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(shí)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(shí)施例,對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解,此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明,并不用于限定本發(fā)明。
[0028]請(qǐng)參閱圖1,是本發(fā)明實(shí)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(shí)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(zhuān)家知識(shí)庫(kù)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(zhuān)家知識(shí)庫(kù)模塊用于建立大腦和脊髓相關(guān)疾病的專(zhuān)家知識(shí)庫(kù);張量學(xué)習(xí)模塊用于利用專(zhuān)家知識(shí)庫(kù)和張量學(xué)習(xí)算法對(duì)彌散張量圖像進(jìn)行張量分類(lèi)模型訓(xùn)練及張量分類(lèi)模型優(yōu)化和測(cè)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(duì)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(shí)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(guò)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(jì)算求解新特征。其中,主成分分析(PrincipalComponent Analysis,PCA)方法是將多個(gè)變量通過(guò)線性變換以選出較少個(gè)數(shù)重要變量的一種多兀統(tǒng)計(jì)分析方法,又稱(chēng)主分量分析。
[0033]張量學(xué)習(xí)模塊包括張量分類(lèi)模型訓(xùn)練單元和張量分類(lèi)模型優(yōu)化單元,
[0034]張量分類(lèi)模型訓(xùn)練單元用于利用專(zhuān)家知識(shí)庫(kù)和最優(yōu)投影支持張量機(jī)(OPSTM)對(duì)彌散張量圖像進(jìn)行張量分類(lèi)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(duì)彌散張量圖像進(jìn)行模式識(shí)別,尋找圖像在邊界方向上的最優(yōu)投影,并通過(guò)最大化投影后樣本的類(lèi)間矩陣和類(lèi)內(nèi)矩陣的散布之比來(lái)計(jì)算最優(yōu)的投影矢量;算法分為兩步來(lái)實(shí)現(xiàn):
(I)、計(jì)算類(lèi)間矩陣Sb和類(lèi)內(nèi)矩陣Sw散布之比的極大值max [ (VTSbV) / (VtSwV)],求解第一個(gè)邊界方向上的最優(yōu)投影矢量V。(2)、把訓(xùn)練樣本通過(guò)V投影,求解二次規(guī)劃問(wèn)題,同理可求得第二個(gè)邊界方向上的最優(yōu)投影矢量。本發(fā)明利用類(lèi)間散布矩陣和類(lèi)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(guò)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(guò)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(lèi)推廣到多分類(lèi)中,分析兩種投影方案:1、每個(gè)子分類(lèi)器的訓(xùn)練樣本都向同一個(gè)方向投影。2、每個(gè)子分類(lèi)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(lèi)的訓(xùn)練樣本會(huì)相互分離,同類(lèi)的訓(xùn)練樣本會(huì)相互靠近。這使得選取同一投影矢量的方案識(shí)別率高于選取非同一投影矢量的方案。
[0035]張量分類(lèi)模型優(yōu)化單元用于進(jìn)行張量分類(lèi)模型優(yōu)化和測(cè)試;具體為:結(jié)合多線性代數(shù)運(yùn)算規(guī)則,針對(duì)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(wèn)題中的不等式約束轉(zhuǎn)化為等式約束,對(duì)彌散張量成像數(shù)據(jù)(二階張量)來(lái)說(shuō),僅需要求解兩個(gè)線性方程組,進(jìn)行簡(jiǎn)單的矩陣逆運(yùn)算,可以大幅降低計(jì)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(jì)算成本,利用張量的CP分解輔助張量?jī)?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(shí),減少計(jì)算量并節(jié)省存儲(chǔ)空間。
[0036]請(qǐng)參閱圖2,是本發(fā)明實(shí)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(shí)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(duì)所述采集的彌散張量圖像進(jìn)行配準(zhǔn)。具體而言:
[0039]針對(duì)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(guò)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(jì)算求解新特征。
[0042]步驟400:建立大腦和脊髓相關(guān)疾病的專(zhuān)家知識(shí)庫(kù);
[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(guò)最大化投影后樣本的類(lèi)間矩陣和類(lèi)內(nèi)矩陣的散布之比來(lái)計(jì)算最優(yōu)的投影矢量。具體而言:
[0044]分為兩步來(lái)實(shí)現(xiàn):(I)、計(jì)算類(lèi)間矩陣Sb和類(lèi)內(nèi)矩陣Sw散布之比的極大值max [ (VTSbV) / (VtSwV)],求解第一個(gè)邊界方向上的最優(yōu)投影矢量V。(2)、把訓(xùn)練樣本通過(guò)v投影,求解二次規(guī)劃問(wèn)題,同理可求得第二個(gè)邊界方向上的最優(yōu)投影矢量。
[0045]步驟600:利用專(zhuān)家知識(shí)庫(kù)和最優(yōu)投影支持張量機(jī)進(jìn)行張量分類(lèi)模型訓(xùn)練;
[0046]在步驟600中,張量分類(lèi)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(duì)彌散張量圖像進(jìn)行模式識(shí)別。本發(fā)明利用類(lèi)間散布矩陣和類(lèi)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(guò)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(guò)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(lèi)推廣到多分類(lèi)中,分析兩種投影方案:1、每個(gè)子分類(lèi)器的訓(xùn)練樣本都向同一個(gè)方向投影。2、每個(gè)子分類(lèi)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(lèi)的訓(xùn)練樣本會(huì)相互分離,同類(lèi)的訓(xùn)練樣本會(huì)相互靠近。這使得選取同一投影矢量的方案識(shí)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(lèi)模型優(yōu)化和測(cè)試;
[0048]在步驟700中,張量分類(lèi)模型優(yōu)化和測(cè)試具體為:結(jié)合多線性代數(shù)運(yùn)算規(guī)則,針對(duì)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(wèn)題中的不等式約束轉(zhuǎn)化為等式約束,對(duì)彌散張量成像數(shù)據(jù)(二階張量)來(lái)說(shuō),僅需要求解兩個(gè)線性方程組,進(jìn)行簡(jiǎn)單的矩陣逆運(yùn)算,可以大幅降低計(jì)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(jì)算成本,利用張量的CP分解輔助張量?jī)?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(shí),減少計(jì)算量并節(jié)省存儲(chǔ)空間。
[0049]步驟800:輸出診斷結(jié)果。
[0050]本發(fā)明實(shí)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(duì)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(shí)現(xiàn)彌散張量圖像的特征提取和降維;最后,針對(duì)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(lèi)器的結(jié)構(gòu)風(fēng)險(xiǎn)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(shí)現(xiàn)基于張量模式算法和彌散張量圖像的疾病診斷實(shí)時(shí)識(shí)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(lèi)精度,可以極大地降低計(jì)算量和計(jì)算成本,并有效地保整了疾病診斷的實(shí)時(shí)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(cè)方面,同時(shí)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(shí)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(zhuān)家知識(shí)庫(kù)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??;所述專(zhuān)家知識(shí)庫(kù)模塊用于建立大腦和脊髓相關(guān)疾病的專(zhuān)家知識(shí)庫(kù);所述張量學(xué)習(xí)模塊用于利用專(zhuān)家知識(shí)庫(kù)和張量學(xué)習(xí)算法對(duì)彌散張量圖像進(jìn)行張量分類(lèi)模型訓(xùn)練以及張量分類(lèi)模型優(yōu)化和測(cè)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(guò)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(jì)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(lèi)模型訓(xùn)練單元和張量分類(lèi)模型優(yōu)化單元; 所述張量分類(lèi)模型訓(xùn)練單元用于利用專(zhuān)家知識(shí)庫(kù)和最優(yōu)投影支持張量機(jī)對(duì)彌散張量圖像進(jìn)行張量分類(lèi)模型訓(xùn)練; 所述張量分類(lèi)模型優(yōu)化單元用于進(jìn)行張量分類(lèi)模型優(yōu)化和測(cè)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(lèi)模型訓(xùn)練具體為:基于最優(yōu)投影支持張量機(jī)對(duì)彌散張量圖像進(jìn)行模式識(shí)別,尋找圖像在邊界方向上的最優(yōu)投影,并通過(guò)最大化投影后樣本的類(lèi)間矩陣和類(lèi)內(nèi)矩陣的散布之比來(lái)計(jì)算最優(yōu)的投影矢量,所述計(jì)算最優(yōu)的投影矢量具體包括:計(jì)算類(lèi)間矩陣Sb和類(lèi)內(nèi)矩陣Sw散布之比的極大值max[(VTSbV)/(VTSwV)],求解第一個(gè)邊界方向上的最優(yōu)投影矢量V ;把訓(xùn)練樣本通過(guò)V投影,求解二次規(guī)劃問(wèn)題,同理求得第二個(gè)邊界方向上的最優(yōu)投影矢量;用類(lèi)間散布矩陣和類(lèi)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(guò)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(guò)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(lèi)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(gè)子分類(lèi)器的訓(xùn)練樣本都向同一個(gè)方向投影,或者每個(gè)子分類(lèi)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(zhuān)家知識(shí)庫(kù); 步驟c:利用專(zhuān)家知識(shí)庫(kù)和張量學(xué)習(xí)算法對(duì)彌散張量圖像進(jìn)行張量分類(lèi)模型訓(xùn)練以及張量分類(lèi)模型優(yōu)化和測(cè)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(guò)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(jì)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(lèi)模型訓(xùn)練具體為:基于最優(yōu)投影支持張量機(jī)對(duì)彌散張量圖像進(jìn)行模式識(shí)別,尋找圖像在邊界方向上的最優(yōu)投影,并通過(guò)最大化投影后樣本的類(lèi)間矩陣和類(lèi)內(nèi)矩陣的散布之比來(lái)計(jì)算最優(yōu)的投影矢量,所述計(jì)算最優(yōu)的投影矢量具體包括:計(jì)算類(lèi)間矩陣Sb和類(lèi)內(nèi)矩陣Sv散布之比的極大值max [ (VTSbV) / (VtSwV)],求解第一個(gè)邊界方向上的最優(yōu)投影矢量V ;把訓(xùn)練樣本通過(guò)V投影,求解二次規(guī)劃問(wèn)題,同理求得第二個(gè)邊界方向上的最優(yōu)投影矢量;用類(lèi)間散布矩陣和類(lèi)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(guò)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(guò)投影后樣本間距離就越大。
【文檔編號(hào)】G06K9/66GK104361318SQ201410627555
【公開(kāi)日】2015年2月18日 申請(qǐng)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(shū)強(qiáng), 胡勇, 談維棋, 申妍燕, 胡金星, 尹凌, 曾春霞 申請(qǐng)人:中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院
網(wǎng)友詢問(wèn)留言 已有0條留言
  • 還沒(méi)有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
1
乌什县| 建始县| 龙海市| 原阳县| 沙田区| 富阳市| 洞口县| 德钦县| 侯马市| 高淳县| 鄂托克前旗| 象山县| 芜湖市| 黔西县| 湄潭县| 大石桥市| 乐亭县| 揭东县| 永康市| 龙陵县| 宜都市| 昌平区| 沿河| 腾冲县| 文安县| 小金县| 昌邑市| 兰考县| 台安县| 兴业县| 桂平市| 东台市| 东乡族自治县| 洪洞县| 博客| 内丘县| 博爱县| 乐东| 青浦区| 同江市| 乐业县|