[发明专利]特征向量降维方法和医学图像识别方法、装置及存储介质

权利要求书

1.一种医学图像识别方法，其特征在于，包括：

获取待识别的脑功能性磁共振图像，并对所述脑功能性磁共振图像进行预处理得到功能连接矩阵；

将所述功能连接矩阵映射到正定对称矩阵空间构成黎曼流形；基于黎曼测度核函数，利用主成分分析法计算映射到正定对称矩阵空间的矩阵集合的内积得到核函数矩阵；计算所述核函数矩阵的特征值与特征向量，将所述特征向量降至预设维度，得到降维特征向量；

将所述降维特征向量输入至预先训练完成的特征分类模型得到识别结果；

计算特征分类模型中每一个所述降维特征向量的重要性，并显示与所述识别结果相关的脑功能区。

2.根据权利要求1所述的医学图像识别方法，其特征在于，将所述功能连接矩阵映射到正定对称矩阵空间构成黎曼流形，包括：

将所述功能连接矩阵转变为具有半正定特征的拉普拉斯矩阵L_s＝D_s-W_s，其中，矩阵集合{W_s∈R^(n×n)，s＝1…S，w_ij≥0}，n为矩阵集合中矩阵维度，R为实数集合，s为样本总数，D＝diag(∑_jw_ij)，Ds表示S个样本度矩阵的集合；

通过公式将L_s转变为变为正定矩阵，其中γ为任意正整数，I表示单位矩阵，单位矩阵对角线元素为1，其他位置元素为0。

3.根据权利要求2所述的医学图像识别方法，其特征在于，所述黎曼测度核函数为其中，s₁和s₂分别为计算内积的两个矩阵的标识，γ为任意正整数，为标识为s₁的正定矩阵，为标识为s₂的正定矩阵，exp是以e为底数的指数函数，e是自然常数，d_logE表示Log-Euclidean测度，σ²表示方差。

4.根据权利要求1所述的医学图像识别方法，其特征在于，所述计算特征分类模型中每一个所述降维特征向量的重要性，并显示与所述识别结果相关的脑功能区，包括：

在强迫症患者的脑部医学图像识别中，通过计算特征分类模型中每一个所述降维特征向量的重要性得到和强迫症相关的连接，通过对各脑区不同颜色的标识来表示各脑区连接程度的强弱。

5.根据权利要求1所述的医学图像识别方法，其特征在于，所述方法还包括：

对所述特征分类模型进行训练，相应的，对所述特征分类模型进行训练过程包括：

获取异常样本图像数据和正常样本图像数据，并对所述异常样本图像数据和所述正常样本图像数据进行预处理得到各样本图像数据的功能连接矩阵；

利用所述特征向量降维方法将所述功能连接矩阵进行降维得到降维特征向量，并基于所述降维特征向量生成训练样本集；

将所述训练样本集中样本输入至待训练的特征分类模型中，得到与所述各样本对应的当前输出识别结果；

判断所述当前输出识别结果和期望输出识别结果之间的误差是否满足预设条件；若否，

调节所述特征分类模型的预判参数。

6.根据权利要求5所述的医学图像识别方法，其特征在于，所述待训练的特征分类模型为基分类器，所述调节所述特征分类模型的预判参数，包括：

迭代所述基分类器得到多个弱分类器；

在迭代分类器的过程中，调节各分类器的参数；

将所述基分类器与所述多个弱分类器叠加融合得到强分类器作为所述特征分类模型。

7.根据权利要求1所述医学图像识别方法，其特征在于，所述待识别的医学图像包括待识别对象的功能性磁共振图像，相应的，对所述医学图像进行预处理得到功能连接矩阵包括：对所述待识别医学图像依次进行时间配准、运动矫正、标准化和实空间滤波操作，得到第一图像数据；

将所述第一图像数据与功能分区模板进行配准并分割得到各功能分区数据；

计算所述各功能分区数据间的相关系数得到连接矩阵。