[发明专利]一种用于辅助诊断胶质瘤疾病的多模态影像分析方法

说明书

脑胶质瘤是威胁人类健康的一大杀手，多成恶性，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。近些年来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，开辟了胶质瘤等疾病检测的新方法。人们在用机器学习算法分析胶质瘤等疾病的影像时，使用MRI的某一个模态，会限制辅助诊断精度的提升。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，将多个MRI模态影像进行融合，从而提高了算法的准确度。

技术领域

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。

发明内容

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X_m表示第m个样本，其中为样本总个数，I₁,…,I_N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P_n个最大特征值对应的特征向量所构成的矩阵，P_n表示经过投影后的影像在第n维上的长度；