[发明专利]一种基于弥散张量成像技术的疾病诊断辅助系统

说明书

技术领域

本发明属于医学图像辅助诊断技术领域，尤其涉及一种基于弥散张量成像技术的疾病诊断辅助系统及方法。

背景技术

弥散张量成像(Diffusion Tensor Imaging，DTI)技术是当今唯一无创伤的白质神经纤维束活体成像方法，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。它还可以揭示同中风、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。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。

通过机器学习方法能从原始弥散张量图像中提取出判断人体疾病的有效信息，从而为预测分析大脑和脊髓相关的疾病提供有力的帮助。但是传统的机器学习方法都是基于向量模式的算法，例如支持向量机、线性判别分析以及神经网络等，这些算法要么就只处理弥散张量成像数据的一些标量指标，而不能充分利用弥散张量图像的结构空间信息；要么在分析处理之前，先将张量展开为向量。然而，这种做法会带来以下问题：1、破坏原始数据的结构和张量结构数据的内在相关性。2、大脑弥散张量成像数据在向量化后，其生成的统计参数(典型的为协方差阵)的维数极大，会破坏原始数据的结构，丢失数据的内在相关性，从而导致极高的计算复杂度和存储代价。

发明内容

本发明提供了一种基于弥散张量成像技术的疾病诊断辅助系统及方法，旨在解决现有的向量模式学习算法不能充分利用弥散张量图像数据的结构空间信息，且在把张量数据向量化的过程中，会破坏原始数据的结构，丢失数据的内在相关性，增加计算复杂度和存储代价的技术问题。

本发明是这样实现的，一种基于弥散张量成像技术的疾病诊断辅助系统，包括图像预处理模块、专家知识库模块、张量学习模块和诊断结果输出模块；所述图像预处理模块用于弥散张量图像的采集、弥散张量图像重配准以及弥散张量图像特征提取；所述专家知识库模块用于建立大脑和脊髓相关疾病的专家知识库；所述张量学习模块用于利用专家知识库和张量学习算法对弥散张量图像进行张量分类模型训练以及张量分类模型优化和测试；所述诊断结果输出模块用于输出诊断结果。

本发明实施例采取的技术方案还包括：所述图像预处理模块包括图像采集单元、图像配准单元和特征提取单元；

所述图像采集单元用于采集弥散张量图像；

所述图像配准单元用于进行基于张量相似度的弥散张量图像配准，再进行基于标量相似度的弥散张量图像配准；

所述特征提取单元用于基于张量代数的多线性核主成分分析方法进行弥散张量图像的特征提取和降维。

本发明实施例采取的技术方案还包括：所述弥散张量图像的特征提取和降维具体为：首先选取适当的核函数把原始数据映射到各自的特征空间；再通过张量积将所有的特征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；按照最小交替平方原理，计算求解新特征。

本发明实施例采取的技术方案还包括：所述张量学习模块包括张量分类模型训练单元和张量分类模型优化单元；

所述张量分类模型训练单元用于利用专家知识库和最优投影支持张量机对弥散张量图像进行张量分类模型训练；

所述张量分类模型优化单元用于进行张量分类模型优化和测试。

本发明实施例采取的技术方案还包括：所述张量分类模型训练具体为：基于最优投影支持张量机对弥散张量图像进行模式识别，寻找图像在边界方向上的最优投影，并通过最大化投影后样本的类间矩阵和类内矩阵的散布之比来计算最优的投影矢量，所述计算最优的投影矢量具体包括：计算类间矩阵S_b和类内矩阵S_w散布之比的极大值max[(V^TS_bV)/(V^TS_wV)]，求解第一个边界方向上的最优投影矢量v；把训练样本通过v投影，求解二次规划问题，同理求得第二个边界方向上的最优投影矢量；用类间散布矩阵和类内散布矩阵定义投影离散系数R＝Tr(S_b×S_b^T)/Tr(S_w×S_w^T)，R代表训练样本经过最优投影矢量投影后样本间的分离度，R值越大表示训练样本经过投影后样本间距离就越大。