一种用于辅助诊断胶质瘤疾病的多模态影像分析方法与流程

本发明涉及了一种用于辅助诊断胶质瘤疾病的多模态影像分析方法，属于医学影像处理领域。

背景技术

脑胶质瘤是最常见的神经系统原发性肿瘤，多成恶性，其与正常脑组织没有明显界限，难以完全切除，对放疗化疗不甚敏感，非常容易复发，预后极差。据文献报道，中国脑胶质瘤年发病率为3-6人/10万人，年死亡人数达3万人，胶质瘤已经成为危害人类健康的一个不可忽视的因素。

近年来，磁共振成像(mri)的普及对多种疾病都提供了新的诊断方法，计算机性能的提升也为分析这些影像提供了便捷。在神经外科临床应用中，mri已经逐渐成为脑胶质瘤诊断的一个必不可少的工具。随着人工智能技术的不断发展，基于磁共振成像的计算机辅助诊断系统研究也正逐步发展，通过利用计算机对影像图片的分类判读，辅助放射科医生进行疾病诊断，从而降低读片工作量，提高诊断准确率。

mpca是提取高维度数据特征的一个很有效的算法，在处理mri方面也得到了比较理想的实验结果。一般情况下，放射科医生要通过磁共振影像确诊某个疾病，必须广泛参考mri的多个模态，比如t1、t2和flair等等，从而降低误诊的概率。但是，人们在用mpca等机器学习算法处理mri，来对疾病进行辅助诊断时，由于数据限制等因素，通常只会选用mri的某一个模态来对疾病进行分类或预测，从而使得识别精度不理想。因此，如何充分利用mri的不同模态，提高诊断胶质瘤疾病的精度，是一个非常值得考虑的问题。

技术实现要素：

人们在用机器学习算法分析胶质瘤等疾病的影像时，通常只会使用mri的某一个模态，从而限制了识别精度的提升。针对此问题，本发明提出了一种基于mpca和多模态影像的胶质瘤疾病诊断方法，充分利用mpca处理张量数据的优势，融合mri的多个模态，进而提高算法的准确度。

本发明的技术方案是：

一种用于辅助诊断胶质瘤疾病的多模态影像分析方法，其特征在于，选取磁共振影像mri的q个模态，q≥2，每个模态是一个三维数据，将多个模态的数据在第四个维度上相连，其中第四维的长度为q，从而使得每个样本变成了一个四维张量，把归一化后的四维多模态mri影像作为数据的输入，然后寻找四个方向上的投影矩阵，通过优化算法求出投影矩阵并对原始四维数据张量进行投影，得到降维后的四维矩阵，最后将降维后的四维矩阵其展开成一维向量，输入到支持向量机svm中进行判别，得到其是否是胶质瘤的输出结果，具体步骤包括：

(一)采集磁共振影像数据，在统计参数图软件spm中进行预处理，取出其中q个模态的数据，并连接成四维张量，令xm表示第m个样本，其中为样本总个数，i1,…,in为其在对应1,…,n维上的数据长度，n＝4；

(二)对输入数据进行去均值操作，其中为输入样本的均值；

(三)对于所有的n,n＝1,2,…,n,令总体散布矩阵其中是在第n维上的展开矩阵，符号t表示矩阵的转置，令为pn个最大特征值对应的特征向量所构成的矩阵，pn表示经过投影后的影像在第n维上的长度；

(四)计算符号“×1”，“×2”，“×n”分别表示张量模1，模2和模n的乘法运算，表示经过投影后的影像数据，令符号||·||f表示f范数运算，k从1到k依次执行以下步骤，k为最大迭代次数：

1)对于所有的n,n＝1,2,…,n,令为矩阵φ⁽ⁿ⁾的pn个最大特征值对应的特征向量所构成的矩阵，令：

其中:

符号表示kronecker积，表示均值在模n上的展开矩阵；

2)计算与表示第k次迭代得到的φy

3)如果跳出循环；

(五)将数据投影到新的空间，

(六)将ym展开成一维向量，m＝1,2,…,m，用svm进行分类，得到其是否是胶质瘤疾病的输出结果。

本发明通过融合磁共振影像各个不同的模态对脑胶质瘤进行特征提取，更大限度地挖掘出其具有的特征，提高了分类的精确度。

附图说明

图1是mri的不同模态在第四个维度上相连的示意图；

图2是基于mpca和多模态影像对胶质瘤进行诊断的示意框图。

具体实施方式

如图2所示，本发明中的多模态影像分析方法用于胶质瘤诊断的具体实施步骤如下文所示：

(一)采集磁共振影像数据，在统计参数图软件spm中进行预处理，取出其中q个模态的数据，并连接成四维张量，令xm表示第m个样本，其中m为样本总个数，i1,…,in为其在对应1,…,n维上的数据长度，n＝4；

(二)对输入数据进行去均值操作，其中为输入样本的均值；

(三)对于所有的n,n＝1,2,…,n,令总体散布矩阵其中是在第n维上的展开矩阵，符号t表示矩阵的转置。令为pn个最大特征值对应的特征向量所构成的矩阵，pn表示经过投影后的影像在第n维上的长度；

(四)计算符号“×1”，“×2”，“×n”分别表示张量模1，模2和模n的乘法运算；表示经过投影后的影像数据。令符号||·||f表示f范数运算。k从1到k依次执行以下步骤(k为最大迭代次数)：

1)对于所有的n,n＝1,2,…,n,令为矩阵φ⁽ⁿ⁾的pn个最大特征值对应的特征向量所构成的矩阵，令：

其中:

符号

表示kronecker积，表示均值在模n上的展开矩阵；

2)计算与表示第k次迭代得到的φy；

3)如果跳出循环；

(五)将训练数据和测试数据分别投影到新的空间，

(六)将训练数据和测试数据分别展开成一维矩阵，输入到svm模型中，对测试数据进行分类，得到其是否是胶质瘤的输出结果。

本发明的效果可以通过实验结果进一步说明。

本实验使用的数据为多模态脑部磁共振影像，分为胶质瘤疾病和正常对照组数据两类，在数据集中选取t1和t2两个mri序列，设计对照实验。本文共设计了三种实验，使用的数据各不相同，分别为t1像、t2像和t1+t2融合像，前两个为对照，最后一个为本发明提出的方法。同时，在实验中我们还设计了另外一种算法作为对比实验，即mi算法，这是一种传统基于矩阵的特征提取方法，用来说明mpca在处理高维磁共振影像上的优势。实验中按照前面的步骤对胶质瘤和正常样本进行二分类实验，将两类数据集随机分为训练集和测试集两部分，在训练集上训练分类模型，然后用测试集对此分类模型进行测试。在本实验中，总共有243例数据，其中胶质瘤129例，正常114例。在训练集中总共有203例数据，其中胶质瘤109例，正常94例，其余的均作为测试数据。实验结果记录在表1中，从纵向来看，mpca作为一种多线性张量分解模型，在处理高维磁共振影像时的性能要优于mi算法；横向来看，本发明提出的基于mpca的多模态影像分析方法相比于单一模态，其识别精度有了很大程度的提高。

表1。