[发明专利]对丢失的输入信息具有鲁棒性的用于处理任务的方法和系统

说明书

公开了根据要执行的处理任务生成组合特征图的单元，该单元包括特征图生成单元，该特征图生成单元用于接收多于一个的模态并且使用多于一个的对应变换生成多于一个的对应特征图；其中，通过将给定的对应变换应用在给定的对应模态上执行多于一个的对应特征图中的每一个的生成，其中，在根据要执行的处理任务执行初始训练后生成多于一个的对应变换并且组合单元用于根据至少一个组合运算选择和组合通过特征图生成单元生成的对应的多于一个的特征图并且用于提供至少一个对应的组合特征图；其中，组合单元根据要执行的处理任务进行运算并且组合运算将通过特征图生成单元生成的多于一个的特征图中的每一个的每个对应数值减少到至少一个对应的组合特征图中的一个数值。

相关申请的交叉引证

本专利申请要求于2016年3月17日提交的美国临时专利申请No.62/309,682的优先权，其主要内容通过引证结合于本文中。

技术领域

本发明涉及数据处理。更确切地，本发明涉及一种对丢失的输入信息具有鲁棒性的用于处理任务的方法和系统。

背景技术

在医疗图像分析中，诸如图像分割等图像处理是重要任务并且是在临床实践中直观和量化病理的严重性的基础。多模态影像提供区分特定组织、剖析和病理的补充信息。然而，手动分割时间长、辛苦且易受人类易变性的影响。近十年来，已经开发了使医疗图像分割自动化的许多分割方法。

这些方法可以分为两种类别，即多图谱的和基于模型的。

多图谱方法在线估计被分割的对象和具有专家标签的多图谱或图像之间的强度相似性。这些多图谱技术示出了当使用非线性注册时的结构分割中的优良结果[Iglesias,J.E.,Sabuncu,M.R.:Multi-atlas segmentation of biomedical images:Asurvey.Medical image analysis 24(1),205-219(2015)]；当结合非局部方法时，它们在分割弥漫性和稀少病理(即，多发性硬化(MS)病灶[Guizard,N.,Coupe,P.,Fonov,V.S.,Manjon,J.V.,Arnold,D.L.,Collins,D.L.:Rotation-invariant multi-contrast non-local means for ms lesion segmentation.Neurolmage:Clinical 8,376-389(2015)])以及更复杂的多标签病理(即，胶质母细胞瘤[Cordier,N.,Delingette,H.,Ayache,N.:Apatch-based approach for the segmentation of pathologies:Application toglioma labelling.IEEE Transactions on Medical Imaging PP(99),1-1(2016)])证明有效。多图谱方法依赖图像亮度和空间相似性，这可能难以通过图谱进行充分描述并且主要取决于图像预处理。