一种弥散张量图像特征提取的方法及系统的制作方法
【专利摘要】本发明属于医学图像处理【技术领域】，尤其涉及一种弥散张量图像特征提取的方法及系统。所述弥散张量图像特征提取的方法包括：步骤a：计算DTI图像主方向上的张量本征值，并分析所有图像的张量本征值的分布特征；步骤b：根据张量本征值的分布特征构造权重矩阵，建立并优化基于权重矩阵的目标函数以构造新的特征空间；步骤c：求解目标函数得到多线性投影矩阵，将基于DTI张量本征值的矩阵空间映射到多重线性子空间，并对各子空间的DTI图像进行特征提取和降维。本发明既能有效反映各类样本特征，又能降低计算成本，在保持原有图像结构信息的基础上，充分挖掘弥散张量图像在三个主方向上的弥散特征，实现图像降维和特征提取的目的，有效避免维数灾难。
【专利说明】一种弥散张量图像特征提取的方法及系统
【技术领域】
[0001]本发明属于医学图像处理【技术领域】，尤其涉及一种弥散张量图像特征提取的方法及系统。
【背景技术】
[0002]弥散张量成像(Diffus1n Tensor Imaging, DTI),是一种描述大脑结构的新方法，是核磁共振成像(MRI)的特殊形式。不同于核磁共振成像是追踪水分子中的氢原子，弥散张量成像是依据水分子移动方向制图。弥散张量成像图(呈现方式与以前的图像不同)可以揭示脑瘤如何影响神经细胞连接，引导医疗人员进行大脑手术，还可以揭示同中风、多发性硬化症、精神分裂症、阅读障碍等有关大脑和脊髓的细微反常变化。
[0003]弥散张量成像数据本质上是二阶张量结构，它的每一个体素包含了水分子在白质神经纤维束内弥散的三维空间信息。传统的通过向量模式的学习算法处理分析弥散张量图像会引发诸如破坏原始数据结构等一些列问题，且计算量大，计算成本高。
【发明内容】
[0004]本发明提供了一种弥散张量图像特征提取的方法及系统，旨在解决现有的向量模式的学习算法处理分析弥散张量图像存在破坏原始数据结构，且计算量大、计算成本高的技术问题。
[0005]本发明是这样实现的，一种弥散张量图像特征提取的方法，包括:
[0006]步骤a:计算DTI图像主方向上的张量本征值，并分析所有图像的张量本征值的分布特征；
[0007]步骤b:根据张量本征值的分布特征构造权重矩阵，建立并优化基于权重矩阵的目标函数以构造新的特征空间；
[0008]步骤c:求解目标函数得到多线性投影矩阵，将基于DTI张量本征值的矩阵空间映射到多重线性子空间，并对各子空间的DTI图像进行特征提取和降维。
[0009]本发明实施例采取的技术方案还包括:在所述步骤b中，所述建立并优化基于权重矩阵的目标函数具体为:应用多重幂级数展开法建立基于权重矩阵的目标函数。
[0010]本发明实施例采取的技术方案还包括:在所述步骤c中，所述求解目标函数得到多线性投影矩阵具体为:交替最小二乘法优化求解目标函数，得到多线性投影矩阵。
[0011]本发明实施例采取的技术方案还包括:在所述步骤c中，所述将基于DTI张量本征值的矩阵空间映射到多重线性子空间具体为:根据多线性投影矩阵，通过张量积运算，将基于DTI张量本征值的矩阵空间映射到多重线性子空间，使得各子空间能捕捉到大部分正交多维的变异量在新的特征空间中；所述对各子空间的DTI图像进行特征提取和降维具体为:运用多线性核主成分分析法对各子空间的DTI图像进行特征提取和降维。
[0012]本发明实施例采取的技术方案还包括:在所述步骤c后还包括:计算投影后的DTI图像的张量本征值，并根据张量本征值的信噪比确定降维后的张量特征。
[0013]本发明实施例提供的另一技术方案为:一种弥散张量图像特征提取的系统，包括本征值处理模块、权重矩阵构造模块、特征空间构造模块、特征映射模块和特征提取模块，所述本征值处理模块用于计算DTI图像主方向上的张量本征值，并分析所有图像的张量本征值的分布特征；所述权重矩阵构造模块用于根据张量本征值的分布特征构造权重矩阵；所述特征空间构造模块用于建立并优化基于权重矩阵的目标函数以构造新的特征空间；所述特征映射模块用于求解目标函数得到多线性投影矩阵，将基于DTI张量本征值的矩阵空间映射到多重线性子空间；所述特征提取模块用于对各子空间的DTI图像进行特征提取和降维。
[0014]本发明实施例采取的技术方案还包括:所述本征值处理模块包括本征值计算单元和特征分析单元；
[0015]所述本征值计算单元用于计算DTI图像在三个主方向上的张量本征值；
[0016]所述特征分析单元用于根据弥散张量图像数据的张量结构特点，分析所有图像的张量本征值的分布特征。
[0017]本发明实施例采取的技术方案还包括:所述特征空间构造模块包括目标函数建立单元和特征空间构造单元；
[0018]所述目标函数建立单元用于应用多重幂级数展开法建立基于权重矩阵的目标函数；
[0019]所述特征空间构造单元用于通过目标函数优化来构造新的特征空间。
[0020]本发明实施例采取的技术方案还包括:所述特征映射模块包括投影矩阵计算单元和特征映射单元；
[0021]所述投影矩阵计算单元用于交替最小二乘法优化求解目标函数，得到多线性投影矩阵；
[0022]所述特征映射单元用于根据多线性投影矩阵，通过张量积运算，将基于DTI张量本征值的矩阵空间映射到多重线性子空间，使得各子空间能捕捉到大部分正交多维的变异量在新的特征空间中。
[0023]本发明实施例采取的技术方案还包括:所述特征提取模块包括特征提取单元和特征计算单元；
[0024]所述特征提取单元用于运用多线性核主成分分析法对各子空间的DTI图像进行特征提取和降维；
[0025]所述特征计算单元用于计算投影后的DTI图像的张量本征值，并根据张量本征值的信噪比确定降维后的张量特征。
[0026]本发明实施例的弥散张量图像特征提取的方法及系统通过计算并分析DTI图像在三个主方向上的张量本征值以构造基于权重矩阵特征空间，应用多重幂级数展开法来构造权重矩阵的目标函数，通过优化该目标函数来构造最优的特征空间，并通过张量积将所有的特征映射到各自的多重线性子空间，使其既能有效反映各类样本特征，又能降低计算成本；并运用多线性核主成分分析方法对子空间特征提取和降维，能够保证特征向量与深度的相关性、相互间的独立性，可以在保持原有图像结构信息的基础上，充分挖掘弥散张量图像在三个主方向上的弥散特征，实现图像降维和特征提取的目的，有效避免了维数灾难。
【专利附图】
【附图说明】
[0027]图1是本发明实施例的弥散张量图像特征提取的方法的流程图；
[0028]图2是本发明实施例的弥散张量图像特征提取的系统的结构示意图。
【具体实施方式】
[0029]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0030]请参阅图1，是本发明实施例的弥散张量图像特征提取的方法的流程图。本发明实施例的弥散张量图像特征提取的方法包括以下步骤:
[0031]步骤100:计算DTI图像在三个主方向上的张量本征值；
[0032]步骤200:根据弥散张量图像数据的张量结构特点，分析所有图像的张量本征值的分布特征；
[0033]步骤300:根据张量本征值的分布特征构造权重矩阵；
[0034]步骤400:应用多重幂级数展开法建立基于权重矩阵的目标函数；
[0035]步骤500:通过目标函数优化来构造新的特征空间；
[0036]步骤600:交替最小二乘法优化求解目标函数，得到多线性投影矩阵；
[0037]在步骤600中，最小二乘法(又称最小平方法)是一种数学优化技术，它通过最小化误差的平方和寻找数据的最佳函数匹配；利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合，其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法表达；本发明按照交替最小平方原理，分解原本的空间至一系列的多维映射子空间，挖掘分析DTI图像在三个主方向的弥散交互程度的影响。
[0038]步骤700:根据多线性投影矩阵，通过张量积运算，将基于DTI张量本征值的矩阵空间映射到多重线性子空间，使得各子空间能捕捉到大部分正交多维的变异量在新的特征空间中；
[0039]在步骤700中，张量积:在数学中，凡是在范畴中多个对象得到一个对象，并满足一定结合规则和交换规则的操作都可以视为“张量积”，比如集合的笛卡儿积，无交并，拓扑空间的乘积；本发明通过张量积将所有的特征映射到各自的多重线性子空间，使其既能有效反映各类样本特征，又能降低计算成本。
[0040]步骤800:运用多线性核主成分分析方法(MKPCA)对各子空间的DTI图像进行特征提取和降维；
[0041]在步骤800中，本发明提出的多线性核主成分分析方法(MKPCA)对于特征提取的核心在于:利用目标核函数对经典的主成成分分析法进行的一种非线性推广；与传统的主成成分分析法相比，MKPCA具有能有效捕捉数据的非线性特征、对原始空间数据的分布情况没有要求，具有更好的广泛性，另外还能够保证特征向量与深度的相关性、相互间的独立性，可以在保持原有图像结构信息的基础上，充分挖掘弥散张量图像在三个主方向上的弥散特征，实现图像降维和特征提取的目的，并且可以降低计算量，避免维数灾难。
[0042]步骤900:计算投影后的DTI图像的张量本征值，并根据张量本征值的信噪比确定降维后的张量特征。
[0043]请参阅图2，是本发明实施例的弥散张量图像特征提取的系统的结构示意图。本发明实施例的弥散张量图像特征提取的系统包括本征值处理模块、权重矩阵构造模块、特征空间构造模块、特征映射模块和特征提取模块；具体地:
[0044]本征值处理模块包括本征值计算单元和特征分析单元；
[0045]本征值计算单元用于计算DTI图像在三个主方向上的张量本征值；
[0046]特征分析单元用于根据弥散张量图像数据的张量结构特点，分析所有图像的张量本征值的分布特征；
[0047]权重矩阵构造模块用于根据张量本征值的分布特征构造权重矩阵；
[0048]特征空间构造模块包括目标函数建立单元和特征空间构造单元；
[0049]目标函数建立单元用于应用多重幂级数展开法建立基于权重矩阵的目标函数；
[0050]特征空间构造单元用于通过目标函数优化来构造新的特征空间；
[0051]特征映射模块包括投影矩阵计算单元和特征映射单元；
[0052]投影矩阵计算单元用于交替最小二乘法优化求解目标函数，得到多线性投影矩阵；其中，最小二乘法是一种数学优化技术，它通过最小化误差的平方和寻找数据的最佳函数匹配；利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小；最小二乘法还可用于曲线拟合，其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达；本发明按照交替最小平方原理，分解原本的空间至一系列的多维映射子空间，挖掘分析DTI图像在三个主方向的弥散交互程度的影响。
[0053]特征映射单元用于根据多线性投影矩阵，通过张量积运算，将基于DTI张量本征值的矩阵空间映射到多重线性子空间，使得各子空间能捕捉到大部分正交多维的变异量在新的特征空间中；其中，张量积:在数学中，凡是在范畴中多个对象得到一个对象，并满足一定结合规则和交换规则的操作都可以视为“张量积”，比如集合的笛卡儿积，无交并，拓扑空间的乘积；本发明通过张量积将所有的特征映射到各自的多重线性子空间，使其既能有效反映各类样本特征，又能降低计算成本。
[0054]特征提取模块包括特征提取单元和特征计算单元；
[0055]特征提取单元用于运用多线性核主成分分析方法对各子空间的DTI图像进行特征提取和降维；其中，本发明提出的多线性核主成分分析方法对于特征提取的核心在于:利用目标核函数对经典的主成成分分析法进行的一种非线性推广；与传统的主成成分分析法相比，MKPCA具有能有效捕捉数据的非线性特征、对原始空间数据的分布情况没有要求，具有更好的广泛性，另外还能够保证特征向量与深度的相关性、相互间的独立性，可以在保持原有图像结构信息的基础上，充分挖掘弥散张量图像在三个主方向上的弥散特征，实现图像降维和特征提取的目的，并且可以降低计算量，避免维数灾难。
[0056]特征计算单元用于计算投影后的DTI图像的张量本征值，并根据张量本征值的信噪比确定降维后的张量特征。
[0057]本发明实施例的弥散张量图像特征提取的方法及系统通过计算并分析DTI图像在三个主方向上的张量本征值以构造基于权重矩阵特征空间，应用多重幂级数展开法来构造权重矩阵的目标函数，通过优化该目标函数来构造最优的特征空间，并通过张量积将所有的特征映射到各自的多重线性子空间，使其既能有效反映各类样本特征，又能降低计算成本；并运用多线性核主成分分析方法对子空间特征提取和降维，能够保证特征向量与深度的相关性、相互间的独立性，可以在保持原有图像结构信息的基础上，充分挖掘弥散张量图像在三个主方向上的弥散特征，实现图像降维和特征提取的目的，有效避免了维数灾难。
[0058]以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
【权利要求】
1.一种弥散张量图像特征提取的方法，包括: 步骤a:计算DTI图像主方向上的张量本征值，并分析所有图像的张量本征值的分布特征； 步骤b:根据张量本征值的分布特征构造权重矩阵，建立并优化基于权重矩阵的目标函数以构造新的特征空间； 步骤c:求解目标函数得到多线性投影矩阵，将基于DTI张量本征值的矩阵空间映射到多重线性子空间，并对各子空间的DTI图像进行特征提取和降维。
2.根据权利要求1所述的弥散张量图像特征提取的方法，其特征在于，在所述步骤b中，所述建立并优化基于权重矩阵的目标函数具体为:应用多重幂级数展开法建立基于权重矩阵的目标函数。
3.根据权利要求1所述的弥散张量图像特征提取的方法，其特征在于，在所述步骤c中，所述求解目标函数得到多线性投影矩阵具体为:交替最小二乘法优化求解目标函数，得到多线性投影矩阵。
4.根据权利要求1所述的弥散张量图像特征提取的方法，其特征在于，在所述步骤c中，所述将基于DTI张量本征值的矩阵空间映射到多重线性子空间具体为:根据多线性投影矩阵，通过张量积运算，将基于DTI张量本征值的矩阵空间映射到多重线性子空间，使得在新的特征空间中各子空间能捕捉到大部分正交多维的变异量；所述对各子空间的DTI图像进行特征提取和降维具体为:运用多线性核主成分分析法对各子空间的DTI图像进行特征提取和降维。
5.根据权利要求1或4所述的弥散张量图像特征提取的方法，其特征在于，在所述步骤c后还包括:计算投影后的DTI图像的张量本征值，并根据张量本征值的信噪比确定降维后的张量特征。
6.一种弥散张量图像特征提取的系统，其特征在于:包括本征值处理模块、权重矩阵构造模块、特征空间构造模块、特征映射模块和特征提取模块，所述本征值处理模块用于计算DTI图像主方向上的张量本征值，并分析所有图像的张量本征值的分布特征；所述权重矩阵构造模块用于根据张量本征值的分布特征构造权重矩阵；所述特征空间构造模块用于建立并优化基于权重矩阵的目标函数以构造新的特征空间；所述特征映射模块用于求解目标函数得到多线性投影矩阵，将基于DTI张量本征值的矩阵空间映射到多重线性子空间；所述特征提取模块用于对各子空间的DTI图像进行特征提取和降维。
7.根据权利要求6所述的弥散张量图像特征提取的系统，其特征在于，所述本征值处理模块包括本征值计算单元和特征分析单元； 所述本征值计算单元用于计算DTI图像在三个主方向上的张量本征值； 所述特征分析单元用于根据弥散张量图像数据的张量结构特点，分析所有图像的张量本征值的分布特征。
8.根据权利要求6所述的弥散张量图像特征提取的系统，其特征在于，所述特征空间构造模块包括目标函数建立单元和特征空间构造单元； 所述目标函数建立单元用于应用多重幂级数展开法建立基于权重矩阵的目标函数； 所述特征空间构造单元用于通过目标函数优化来构造新的特征空间。
9.根据权利要求6所述的弥散张量图像特征提取的系统，其特征在于，所述特征映射模块包括投影矩阵计算单元和特征映射单元； 所述投影矩阵计算单元用于交替最小二乘法优化求解目标函数，得到多线性投影矩阵； 所述特征映射单元用于根据多线性投影矩阵，通过张量积运算，将基于DTI张量本征值的矩阵空间映射到多重线性子空间，使得在新的特征空间中各子空间能捕捉到大部分正交多维的变异量。
10.根据权利要求6所述的弥散张量图像特征提取的系统，其特征在于，所述特征提取模块包括特征提取单元和特征计算单元； 所述特征提取单元用于运用多线性核主成分分析法对各子空间的DTI图像进行特征提取和降维； 所述特征计算单元用于计算投影后的DTI图像的张量本征值，并根据张量本征值的信噪比确定降维后的张量特征。
【文档编号】G06T7/00GK104408713SQ201410627576
【公开日】2015年3月11日 申请日期:2014年11月10日 优先权日:2014年11月10日
【发明者】王书强, 谈维棋, 胡金星, 申妍燕, 尹凌, 曾春霞, 朱英涛 申请人:中国科学院深圳先进技术研究院