[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

说明书

本发明实施例公开了一种特征向量降维方法和医学图像识别方法、装置及存储介质。其中，特征向量降维方法包括：获取待处理的矩阵集合；将所述矩阵集合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。本发明实施例通过采用以黎曼测度核函数作为核函数的主成分分析法对多维矩阵数据进行降维，可以保留矩阵数据中的重要的结构信息，使非线性的数据样本特征也可以被分开，应用到图像处理中可以优化图像处理的结果。

技术领域

本发明实施例涉及一种医学图像分析技术，尤其涉及一种特征向量降维方法和医学图像识别方法、装置及存储介质。

背景技术

在图像处理等需要处理大量多维度矩阵数据时，多采用主成分分析法也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。主成分分析法是一种数学变换的方法，它把给定的一组相关变量通过线性变换转成另一组不相关的变量，这些新的变量按照方差依次递减的顺序排列。

但是，对于非线性的二维数据样本来说，采用常规的主成分分析法会忽略二维数据矩阵中存在的最重要的结构信息，无法使非线性的数据样本也可以被分开，影响图像处理的结果。

发明内容

本发明实施例提供一种特征向量降维方法和医学图像识别方法、装置及存储介质，以实现对非线性二维矩阵数据样本之间特征的区分，保留数据中的重要结构信息，优化数据处理的结果。

第一方面，本发明实施例提供了一种特征向量降维方法，该方法包括：

获取待处理的矩阵集合；

将所述矩阵集合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。

进一步的，将所述矩阵集合映射到正定对称矩阵空间构成黎曼流形，包括：

将所述矩阵集合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，s为样本总数，D＝diag(∑_jw_ij)；

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。

进一步的，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。

第二方面，本发明实施例还提供了一种医学图像识别方法，该方法包括：

获取待识别的医学图像，并对所述医学图像进行预处理得到功能连接矩阵；

采用本发明实施例中任一所述的特征向量降维方法对所述功能连接矩阵进行降维处理，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。

可选的，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；