一種基于張量圖像的csm輔助分析系統(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，尤其涉及一種基于張量圖像的CSM輔助 分析系統(tǒng)及方法。
【背景技術(shù)】
[0002] 彌散張量成像（Diffusion 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(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 息。
[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(jì)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(jì)算復(fù)雜度和存儲代價(jià)。3、迭代過程耗時(shí)嚴(yán)重，大幅度的增加了訓(xùn)練時(shí) 間，不能適應(yīng)處理海量數(shù)據(jù)的要求。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明提供了一種基于張量圖像的CSM輔助分析系統(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，且迭代過程耗時(shí)嚴(yán)重，大幅度 的增加了訓(xùn)練時(shí)間的技術(shù)問題。
[0005] 本發(fā)明是這樣實(shí)現(xiàn)的，一種基于彌散張量圖像的CSM輔助分析系統(tǒng)，包括圖像預(yù) 處理模塊、專家知識庫模塊、ELM學(xué)習(xí)模塊、分類器模塊和結(jié)果輸出模塊；
[0006] 所述圖像預(yù)處理模塊用于彌散張量圖像的采集、彌散張量圖像二重度量配準(zhǔn)、彌 散張量圖像的分割以及彌散張量圖像的降維和特征提??；
[0007] 所述專家知識庫模塊用于建立CSM的專家知識庫；
[0008] 所述ELM學(xué)習(xí)模塊用于利用ELM學(xué)習(xí)算法對專家知識庫中的信息進(jìn)行分析求解；
[0009] 所述分類器模塊用于根據(jù)所述ELM學(xué)習(xí)模塊確定的參數(shù)，對所述圖像預(yù)處理模塊 提取的特征信息進(jìn)行分類；
[0010] 所述結(jié)果輸出模塊用于輸出分類結(jié)果。
[0011] 進(jìn)一步的，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、圖像分割單元 和特征提取單元；
[0012] 所述圖像采集單元用于采集彌散張量圖像；
[0013] 所述圖像配準(zhǔn)單元，用于彌散張量圖像二重度量配準(zhǔn)；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)；
[0014] 所述圖像分割單元用于彌散張量圖像基于MRF-MP框架的分割；
[0015] 所述特征提取單元用于對彌散張量圖像的降維和特征提取。
[0016] 進(jìn)一步的，所述基于MRF-MP框架的分割具體為：搭建能量函數(shù)并構(gòu)建MRF模型， 根據(jù)Gibbs聯(lián)合分布產(chǎn)生先驗(yàn)?zāi)芰?，根?jù)彌散張量成像圖像的特性構(gòu)造條件能量，根據(jù)先 驗(yàn)?zāi)芰亢蜅l件能量獲得后驗(yàn)?zāi)芰?，遵循MP原則應(yīng)用SA優(yōu)化算法更新后驗(yàn)?zāi)芰恐钡绞諗俊?br>[0017] 進(jìn)一步的，所述利用ELM學(xué)習(xí)算法具體為：確定隱層節(jié)點(diǎn)數(shù)、激勵函數(shù)G(X)，匯總 專家知識庫中描述彌散張量成像圖像的特征向量到表X，匯總專家知識庫內(nèi)彌散張量成像 圖像對應(yīng)的標(biāo)簽到向量T ;隨機(jī)產(chǎn)生輸入權(quán)值矩陣W、偏移標(biāo)量矩陣B，計(jì)算XW+B并輸入激 勵函數(shù)計(jì)算G(XW+B)輸出隱層輸出矩陣H ;判斷輸出矩陣是否可逆，若可逆，根據(jù)線性代數(shù) 理論求逆H-1，否則根據(jù)SVD理論求廣義逆Hf ;計(jì)算輸出權(quán)值向量β=Η-mp=HfT):。
[0018] 進(jìn)一步的，所述對彌散張量圖像的降維和特征提取具體為：利用Log-Euclidean 矩陣分解把彌散張量場轉(zhuǎn)換到矢量場中，并在矢量場上進(jìn)行正則化處理，最后映射回張量 場；計(jì)算彌散張量成像圖像在三個(gè)主方向上的張量本征值；計(jì)算彌散張量成像圖像背部、 腹部、右側(cè)部的三個(gè)張量本征值的均值；構(gòu)建描述彌散張量成像圖像的特征向量。
[0019] 本發(fā)明實(shí)施例采取的另一技術(shù)方案為：一種基于張量圖像的CSM輔助分析方法， 包括：
[0020] 步驟a :采集彌散張量圖像，并進(jìn)行彌散張量圖像二重度量配準(zhǔn)，彌散張量圖像的 分割以及彌散張量圖像的降維和特征提取；
[0021] 步驟b :建立CSM的專家知識庫；
[0022] 步驟c :利用ELM學(xué)習(xí)算法對專家知識庫中的信息進(jìn)行分析求解；
[0023] 步驟d :根據(jù)所述ELM學(xué)習(xí)算法求解得到的參數(shù)，對提取彌散張量圖像的特征信息 進(jìn)行分類；
[0024] 步驟e :輸出分類結(jié)果。
[0025] 作為一種改進(jìn)，所述彌散張量圖像二重度量配準(zhǔn)，具體為進(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)；
[0026] 所述彌散張量圖像分割，具體為對彌散張量圖像基于MRF-MAP框架的分割。
[0027] 作為一種改進(jìn)，所述對彌散張量圖像的降維和特征提取具體為：利用 Log-Euclidean矩陣分解把彌散張量場轉(zhuǎn)換到矢量場中，并在矢量場上進(jìn)行正則化處理，最 后映射回張量場；計(jì)算彌散張量成像圖像在三個(gè)主方向上的張量本征值；計(jì)算彌散張量成 像圖像背部、腹部、右側(cè)部的三個(gè)張量本征值的均值；構(gòu)建描述彌散張量成像圖像的特征向 量。
[0028] 本發(fā)明實(shí)施例采取的技術(shù)方案還包括，所述利用ELM學(xué)習(xí)算法具體為：確定隱層 節(jié)點(diǎn)數(shù)，激勵函數(shù)G(X)，匯總專家知識庫中描述彌散張量成像圖像的特征向量到表X，匯總 專家知識庫內(nèi)彌散張量成像圖像對應(yīng)的標(biāo)簽到向量T ;隨機(jī)產(chǎn)生輸入權(quán)值矩陣W、偏移標(biāo)量 矩陣B，計(jì)算XW+B并輸入激勵函數(shù)計(jì)算G (XW+B)輸出隱層輸出矩陣H ;判斷輸出矩陣是否可 逆，若可逆，根據(jù)線性代數(shù)理論求逆H-1，否則根據(jù)SVD理論求廣義逆計(jì)算輸出權(quán)值向 量
[0029] 作為一種改進(jìn)，所述基于MRF-MP框架的分割具體為：搭建能量函數(shù)并構(gòu)建MRF模 型，根據(jù)Gibbs聯(lián)合分布產(chǎn)生先驗(yàn)?zāi)芰?，根?jù)彌散張量成像圖像的特性構(gòu)造條件能量，根據(jù) 先驗(yàn)?zāi)芰亢蜅l件能量獲得后驗(yàn)?zāi)芰浚裱璏P原則應(yīng)用SA優(yōu)化算法更新后驗(yàn)?zāi)芰恐钡绞?斂。
[0030] 本發(fā)明實(shí)施例的基于張量圖像的CSM輔助分析系統(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，提出實(shí)現(xiàn)彌散張量圖像 的特征提取和降維；再次，充分考慮了彌散張量成像圖像的彌散運(yùn)動遵循馬爾科夫性，保證 圖像分割效果；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，提出ELM 算法，ELM最大的特點(diǎn)是隱層參數(shù)獨(dú)立于訓(xùn)練集、目標(biāo)函數(shù)。所以，隱層參數(shù)可以事先隨機(jī)確 定，避免耗時(shí)的迭代過程，大幅度降低訓(xùn)練時(shí)間，更能適應(yīng)處理海量數(shù)據(jù)的效率要求。本發(fā) 明基于彌散張量成像數(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)彌散的三維空間信息，在分析CSM過程中，彌散張量成像圖像能夠提供更多關(guān) 鍵病理信息，因此能夠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(jì)算量， 并有效地保整了分析的實(shí)時(shí)性。
【附圖說明】
[0031] 圖1是本發(fā)明實(shí)施例的基于張量圖像的CSM輔助分析系統(tǒng)