[发明专利]稀疏表示的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别系统

说明书

本发明属于计算机辅助诊断技术领域，具体为一种基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤鉴别方法。本发明首先利用基于卷积神经网络的图像分割方法分割T1增强和T2加权MRI图像肿瘤区域；然后设计字典学习和稀疏表示方法提取肿瘤区域纹理特征。为减少特征冗余性和提高肿瘤鉴别效率，采用迭代稀疏表示特征选择方法，选择少数高稳定性高分辨力的特征用于肿瘤鉴别；最后，基于特征态融合的思想，建立同时包含T1增强或T2加权两个模态的联合稀疏表示分类模型提高肿瘤鉴别精度。本发明方法不仅能够获得较高的肿瘤鉴别精度，且无需人工操作提取鉴别参数，具有较强的鲁棒性，可用于原发性脑部淋巴瘤和胶质母细胞瘤的临床鉴别。

技术领域

本发明属于计算机辅助诊断技术领域，具体为基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别方法。

背景技术

临床上原发性脑部淋巴瘤(Primary central nervous system lymphoma,PCNSL)和胶质母细胞瘤(Glioblastoma,GBM)的治疗方案存在较大差异，治疗前对二者的准确鉴别，能指导临床医师制定合理的治疗方案，具有重要的临床价值。然而利用一些传统模态核磁共振成像图像如T1加权、T1增强、T2加权和T2FLAIR准确鉴别原发性脑部淋巴瘤和胶质母细胞瘤十分困难，由于这两种肿瘤在这些模态的图像上呈现许多相似的特性。一些先进的MRI成像方式如扩散加权成像、动态磁化率增强灌注成像等被用于辅助诊断这两种肿瘤，但这些方法本身也存在一些鉴别参数提取的问题^[1][2]。

在过去十年中，随着模式识别工具的发展和数据集的扩大，致使图像向高维数据特征的转化以及随后利用这些数据的决策支持，这种做法被称为影像组学。影像组学的高维数据特征与病人的其他数据结合能够进一步提高诊断和预后的准确性。2014年自然期刊上发表文章 [3]提出利用图像的高通量特征进行肿瘤亚型鉴别，随后一些研究者也相继提出利用高通量特征进行肿瘤分子标记物的预测和肿瘤分类等，并取得了更好的效果。这些方法在疾病预测诊断时，不仅可以提取医生肉眼可直接观察的特征进行分类预测，如形状体素灰度等，还可以提取一些难以直接观测得到但对分类预测至关重要的特征信息。

稀疏表示理论认为自然信号可由字典中少数原子线性组合而成，这些原子包含了信号的最本质特征，通过字典训练和优化算法求解可有效提取这些本质特征。稀疏表示在信号表达分析方面的优势使其在数据压缩、信号降噪、信号分离、图像恢复和分类识别等领域取得广泛应用。稀疏表示能够准确有效地提取和分析理影像组学中高通量数据特征，从中有效发现对疾病诊断鉴别有效的关键信息。

发明内容

本发明的目的是提出一套基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤的自动鉴别方法。

本发明基于影响组学的思想，首先，设计一种基于字典学习和稀疏表示的高通量肿瘤纹理特征提取方法，将不同体积不同形状的肿瘤区域转化为968维纹理特征；其次，针对提取特征存在的冗余问题，建立迭代稀疏表示方法，选择少数高稳定性高分辨力的特征；最后，建立联合稀疏表示分类模型，利用T1增强和T2加权模态图像纹理特征的结合，鉴别肿瘤。

本发明提出的基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤鉴别方法，其步骤如下：

步骤一.稀疏表示肿瘤纹理特征提取

肿瘤区域的分割是后续特征提取和分类识别的前提和基础。为获得精确的分割肿瘤区域，首先，对T1增强和T2加权模态MRI图像进行脑壳剥离和数据归一化预处理，然后选择部分肿瘤图像进行手动分割构建训练集，训练图像分割卷积神经网络(文献[4]提出)，最后利用训练的网络自动分割图像中肿瘤区域。