[發明專利]一種基于標簽相關性約束張量分解的多模態醫學影像特征提取方法

有效

• 申請號: 201711488481.5
• 申請日: 2017-12-30
• 公開（公告）號: CN108197629B
• 公開（公告）日: 2021-12-31
• 發明（設計）人: 賈熹濱;肖玉杰;王振常;楊正漢;丁治明;段立娟;喬元華;楊大為;蘇醒;才智
• 申請（專利權）人: 北京工業大學;首都醫科大學附屬北京友誼醫院
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G16H30/20
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

本發明公開了一種基于標簽相關性約束張量分解的多模態醫學影像特征提取方法，屬于醫學圖像技術領域；本發明結合不同模態的圖像綜合分析，獲取關于醫學圖像特征區域更豐富的融合數據，并結合標簽約束對數據進行投影，提取具有特定意義的特征，進而提出一種基于標簽相關性約束張量分解的多模態醫學影像特征提取和分類方法，這種方法兼顧多種模態醫學影像提供的特征區域信息，利用該特征區域標簽信息有針對性的將原始數據投影到新的特征空間，在此基礎上進行對應標簽模型的訓練，更加符合醫學上的針對性。

技術領域

本發明涉及醫學圖像技術領域，具體涉及一種基于標簽相關性約束張量分解的多模態醫學影像特征提取方法。

背景技術

隨著醫學成像技術、數學應用技術以及人工智能技術的發展，將計算機技術應用于醫學圖像的特征提取和分類成為當前研究熱點。

醫學成像技術為臨床診斷提供了多種模態的醫學影像，如CT(計算機X線斷層掃描)、MRI(核磁共振成像)、SPECT(單光子發射計算機斷層成像)、PET(正電子發射計算機斷層掃描)、超聲圖像等。不同的醫學影像提供了相關臟器的不同信息，比如CT和MRI以較高的空間分辨率提供了臟器的解剖結構信息，而PET雖然空間分辨率較差，但提供了臟器的新陳代謝功能信息。而在實際臨床應用中，單一模態的圖像往往不能提供醫生診斷所需要的足夠信息，通常需要結合不同模態的圖像綜合分析，獲取關于解病變組織或器官更豐富的融合信息。

張量理論是數學的一個分支學科，最初是應用于力學和物理學的一個有力的數學工具，近幾年張量已被應用于數據挖掘、打分推薦系統和圖像處理方面。張量分解是張量理論的一個重要方面，可以看作對高維數據的一種低秩逼近。目前大多數分解算法都是基于CP分解和Tucker分解的，其中張量的Tucker分解將張量分解為核心張量和模式因子矩陣的多模式乘法，張量本質是不變的量，所以核心張量的選取不同，分解后的因子矩陣意義也不同。基于張量特征提取希望能選取有意義的核心張量，也就是子空間，使得數據在子空間的投影具有某種有意義的解釋。

而在計算機技術方面，基于數據的模式識別方法是當前研究熱點。最具代表性的模式識別方法有人工神經網絡(ANN)、支持向量機(SVM)、近鄰算法、隨機森林、Boosting方法等；圖像特征包括顏色特征、形狀特征、紋理特征、空間關系特征，常用的圖像特征方法是以HOG、Harr、LoG、LBP、SIFT等算子為核心的特征提取算法，這些分類算法和特征提取算法在包括醫學圖像領域在內的各個領域得到了廣泛的應用。

發明內容

本發明的目的在于提供一種基于標簽相關性約束張量分解的多模態醫學影像特征提取和分類方法，將多模態醫學影像表示成張量，張量蘊含了相關臟器或病灶的不同信息，并使用基于標簽相關性約束的張量分解方法對多模態醫學影像進行分解，獲取基于標簽約束的多模態圖像特征。多模態醫學影像主要包含核磁動態增強掃描(MRI-DCE)的多期影像、磁共振彈性成像(MRE)、T1WI、T2WI等。

為了實現上述目的，本發明采用以下技術方案：上述多模態醫學影像原始數據為DICOM 格式，針對其數據特點對各個模態數據進行預處理和歸一化；然后將預處理后的數據表示成張量形式；對蘊含多模態影像數據信息的張量進行帶標簽約束的張量分解方法得到標簽約束下的核心張量，也即子空間；將原始張量投影到該子空間，得到在子空間下的原始數據對應的特征；用子空間下的特征數據訓練分類器。

一種基于標簽相關性約束張量分解的多模態醫學影像特征提取方法，包括以下步驟：

步驟1，多模態醫學影像預處理及張量構造。

步驟1.1，讀取多模態醫學DICOM格式圖像。

步驟1.2，根據標注信息提取圖像待提取區域并對多模態圖像進行歸一化。

步驟1.3，用張量形式表示歸一化后的多模態圖像數據。

步驟2，帶標簽約束的張量分解及特征空間數據投影。