[发明专利]一种多视角判别度量学习的乳腺影像检索方法

权利要求书

1.一种多视角判别度量学习的乳腺影像检索方法，其特征在于：包括如下步骤：

步骤1，根据不同摄片位置得到的多视角医学影像，得到其数据集；

步骤2，通过数据集构建多视角判别度量学习MVML-FDA模型，利用Fisher判别来度量乳腺影像对之间的相似性，使得相似的医学影像在度量空间紧密地映射，不相似的乳腺影像尽可能地彼此分离，并提出MVML-FDA优化问题；

步骤3，对MVML-FDA优化问题进行求解，得到最优解，即MVML-FDA模型；

步骤4，利用得到的MVML-FDA模型，输入多个视角的医学影像、权重参数、最大迭代次数、最大近邻数和收敛阈值，输出最优的医学影像投影矩阵，完成医学影像检索。

2.根据权利要求1所述的一种多视角判别度量学习的乳腺影像检索方法，其特征在于：步骤1中，根据不同摄片位置得到的多视角医学影像数据集为{X¹,X²,...,X^T}，其中X^t表示第t个视角下的数据矩阵，X^t的第i个向量表示样本x_i在第t个视角下的特征向量；因此，第t个视角的医学影像对可以写为其中表示任一医学影像对，表示其相应的影像对标签，说明影像和在语义和视觉上都是相似的，l_m,i＝-1说明影像和在语义或视觉上是不相似的。

3.根据权利要求1所述的一种多视角判别度量学习的乳腺影像检索方法，其特征在于：步骤2中，通过马氏度量学习，多视角判别度量学习(Multi-View Metric Learning withFisher Discriminant Analysis,MVML-FDA)目标是学习一个映射空间，使得相似样本之间的距离远小于不同样本之间的距离，即在新的空间中有更可分的类间距离和更紧凑的类内距离；

MVML-FDA基于样本在空间的分布构建了多视角学习的类内k邻接图和类间k邻接图第t个视角的类内k邻接矩阵中的元素可以写成以下形式：

第t个视角的类间k邻接矩阵中的元素可以写成以下形式：

基于Fisher判别，首先定义适用于多视角学习的类内相关矩阵和类间相关矩阵；第t个视角下的类内相关矩阵表示为：

其中N是样本的个数，和分别图的对角矩阵和拉普拉斯矩阵，

第t个视角下的类内相关矩阵表示为：

其中和分别图的对角矩阵和拉普拉斯矩阵，

MVML-FDA方法中，每个视角的类内相关矩阵描述该视角中类内的紧致性，同时每个视角的类间相关矩阵描述该视角中类间数据的可分性；为了充分利用不同视角表示的互补信息，MVML-FDA定义了一系列非负参数Δ＝[Δ₁,Δ₂,...,Δ_T]表示各视角的权重，从而MVML-FDA定义的优化问题可以表示为：

在学习距离度量时，应尽量避免数据低维表示的冗余，为此，在MVML-FDA方法中考虑投影方向的正交，即W^TW＝I；

另外，从式(7)可以看出，视角权重Δ_t值越大，视图t在学习投影矩阵W时的作用就越大；式(7)达到最优时需要满足各视角权重的和为1；将式(7)中的权重Δ_t改写为其中权重参数r起到类似模糊隶属度的作用且r值满足r1；因此，MVML-FDA的优化问题进一步表示为：