[發(fā)明專利]用于神經(jīng)疾病影像的異質(zhì)特征處理方法及裝置

在審

• 申請?zhí)枺?/td>: 201811238076.2
• 申請日: 2018-10-23
• 公開（公告）號: CN109523517A
• 公開（公告）日: 2019-03-26
• 發(fā)明（設(shè)計）人: 孫鑫偉
• 申請（專利權(quán)）人: 北京深睿博聯(lián)科技有限責(zé)任公司
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 北京卓唐知識產(chǎn)權(quán)代理有限公司 11541
• 代理人: 唐海力;李志剛

本申請公開了一種用于神經(jīng)疾病影像的異質(zhì)特征處理方法及裝置。該方法包括構(gòu)造病灶部位兩樣本檢測模型和根據(jù)神經(jīng)疾病影像選擇異質(zhì)變量得到前處理結(jié)果；將所述前處理結(jié)果輸入預(yù)設(shè)模型；以及根據(jù)預(yù)設(shè)模型輸出結(jié)果得到選擇變量，并檢測出異質(zhì)特征。本申請解決了在高維問題中會面臨多重共線性的技術(shù)問題。本申請?zhí)峁┑腇DR?HS能夠有效地將利用空間簇集的約束將異質(zhì)的特征捕捉出來。此外，通過引入輔助變量，該算法可以通過EM算法求解。

技術(shù)領(lǐng)域

本申請涉及醫(yī)療影像處理領(lǐng)域，具體而言，涉及一種用于神經(jīng)疾病影像的 異質(zhì)特征處理方法及裝置。

背景技術(shù)

基于體素的神經(jīng)疾病的影像分析大致包含三類特征：

(1)與疾病相關(guān)的受損特征；

(2)在前處理引入并對疾病判斷有幫助的過程偏差；

(3)和疾病不相關(guān)的特征。

其中，前兩類特征屬于有意義的特征，通常為了盡可能地將這兩類特 征挑選出來，并將第(3)類特征的比例控制到最低。

受損特征是判斷疾病的主要依據(jù)，因為它和病理相關(guān)。比如在阿爾茨 海默疾病中，它指的是分布在兩側(cè)海馬和內(nèi)側(cè)顳葉等萎縮的區(qū)域。除了萎 縮之外，這類特征往往具有空間簇集性，這種萎縮的病理往往呈區(qū)域存在。 比如海馬，它包含幾十上百個灰質(zhì)體素，而患者往往呈現(xiàn)海馬整個區(qū)域或 者部分區(qū)域(海馬頭)的萎縮，而不只是里面單個或者幾個分布零散的灰質(zhì) 體素的萎縮。為了捕捉這種空間結(jié)構(gòu)，大多數(shù)算法都會使用多變量模型， 輔以全變差正則，從而對在空間中鄰近的體素特征的系數(shù)值起到平滑的作 用。

發(fā)明人發(fā)現(xiàn)，有研究指明除了萎縮特征之外，“過程偏差”這類特征 也能對疾病判斷起到幫助作用，它們是由前處理引入的特征。同樣以阿爾 茨海默疾病為例，它們指的是在前處理過程中由于空間配準引入的錯誤的 膨脹灰質(zhì)體素。它們通常位于相對正常人會發(fā)生膨脹的區(qū)域，比如，側(cè)腦 室、蛛網(wǎng)膜下腔等。為此，相關(guān)文獻中的作者提出了GSplitLBI算法，它 是第一個既考慮萎縮特征又考慮“過程偏差”的特征。

然而，這類多變量模型在高維問題中會面臨多重共線性的問題，即變 量之間會更容易產(chǎn)生相關(guān)性，導(dǎo)致假陽性的升高。此外，受損特征和“過 程偏差”是異質(zhì)的特征，而不同之處則主要體現(xiàn)在空間簇集性和體積變化 上。受損特征是萎縮的，且呈空間簇集的分布；而過程偏差是膨脹的，是 環(huán)狀分布在本來膨脹的區(qū)域周圍。因此，當(dāng)維度較高時，上述原因會導(dǎo)致 GSplit LBI算法選擇了過多假陽信號，且會漏掉一些有意義的變量。GSplit LBI算法會漏掉位于內(nèi)側(cè)顳葉等受損特征，以及環(huán)繞在側(cè)腦室周圍的“過 程偏差”。

針對相關(guān)技術(shù)中在高維問題中會面臨多重共線性的問題，目前尚未提 出有效的解決方案。

發(fā)明內(nèi)容

本申請的主要目的在于提供一種用于神經(jīng)疾病影像的異質(zhì)特征處理方 法及裝置，以解決在高維問題中會面臨多重共線性的問題。

為了實現(xiàn)上述目的，根據(jù)本申請的一個方面，提供了一種用于神經(jīng)疾 病影像的異質(zhì)特征處理方法。

根據(jù)本申請的用于神經(jīng)疾病影像的異質(zhì)特征處理方法包括：構(gòu)造病灶部 位兩樣本檢測模型和根據(jù)神經(jīng)疾病影像選擇異質(zhì)變量得到前處理結(jié)果；將所述 前處理結(jié)果輸入預(yù)設(shè)模型；以及根據(jù)預(yù)設(shè)模型輸出結(jié)果得到選擇變量，并檢測 出異質(zhì)特征。

進一步地，構(gòu)造病灶部位兩樣本檢測模型包括：構(gòu)造關(guān)于Z_i的負的對數(shù)似 然函數(shù)：

其中，假設(shè)對于體素i，Z_i由如下的混合模型生成：