[发明专利]基于动态权重降维的多模态医学图像分类方法及系统

说明书

本发明涉及医学图像分类技术领域，提供了基于动态权重降维的多模态医学图像分类方法及系统，包括：对于每个模态的医学图像，进行特征提取，得到特征表示；对于一个模态内的所有像素点，计算与其余模态内的所有像素点之间的相关性；对于每一个模态内的所有像素点，得到与同一模态内的其余像素点之间的相似性动态权重；基于相关性和相似性权重，进行模态间像素点和模态内像素点的组合，得到多个分组，并根据分组结果进行降维，得到降维后每个模态的医学图像的特征表示；基于降维后每个模态的医学图像的特征表示，实现医学图像分类。充分利用了各个模态的特征信息，提高了医学图像分类的精确度和鲁棒性。

技术领域

本发明属于医学图像分类技术领域，尤其涉及基于动态权重降维的多模态医学图像分类方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

当前医学图像分类技术，例如Aβ蛋白沉积含量的检测，通常是基于MRI(磁共振图像)和PET(正电子发射计算机断层扫描图像)图像，提取MRI和PET图像中的脑新皮层、白质、灰质、丘脑、海马体等相关解剖结构及纤维束的灰度特征、形状特征、纹理特征可以将与Aβ蛋白沉积相关的信息充分表达出来，但是由于通常图像特征较多，会增加后续图像分类的时空复杂性，也不利于临床应用；此外，特征之间存在一定的排除性和相关性，会影响后续分类的准确性。

因此，基于MRI和PET图像进行医学图像分类时通常需要降维步骤，目前常见的降维技术是基于有监督学习的，主要目的是将原始空间的医学图像数据嵌入到低维空间中，并保留所需的判别数据信息。在过去近几年中，已经提出了许多降维的方法，目前较流行的方法是线性判别法(Linear Discriminant Analysis，LDA)和主成分分析(PrincipalComponent Analysis，PCA)，其中，线性判别分析是对给定的训练样例集，设法将样例投影到一条直线上，使得同类样例的投影点尽可能接近，异样样例的投影点尽可能远离；主成分分析是将原来众多具有一定相关性，重新组合成一组新的互相无关的综合指标来代替原来的指标，是考察多个变量间相关性的一种多元统计方法，前者属于有监督学习，后者属于无监督学习。传统的LDA方法在训练样本的数量与数据维度不同的情况下，类内散布的矩阵是奇异的，这限制了对高位采样问题的适用性；PCA方法由于无监督特性没有考虑到标签信息，这在实际应用中限制了性能，在医学图像分类中达不到可解释的效果。

综上，目前所提出的降维方法在单模态中能达到较好的效果，通过欧式距离或者相似度可获取全局结构信息的数据点，实现从高维空间投影到低维空间达到降维效果，但现有的降维方法没有考虑到医学图像分类中多模态数据间(例如，MRI和PET图像间)的关系，模态与模态间的相关性没有考虑在内，且忽略了模态与另一模态内数据点的连接距离，进而影响医学图像分类的精度。

发明内容

为了解决上述背景技术中存在的技术问题，本发明提供基于动态权重降维的多模态医学图像分类方法及系统，将一一相对的线性变换扩大为一组具有相似性的数据组，充分利用了各个模态的特征信息，提高了医学图像分类的精确度和鲁棒性。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供基于动态权重降维的多模态医学图像分类方法，其包括：

对于每个模态的医学图像，进行特征提取，得到特征表示；

对于一个模态内的所有像素点，计算与其余模态内的所有像素点之间的相关性；

对于每一个模态内的所有像素点，得到与同一模态内的其余像素点之间的相似性动态权重；

基于相关性和相似性权重，进行模态间像素点和模态内像素点的组合，得到多个分组，并根据分组结果进行降维，得到降维后每个模态的医学图像的特征表示；

基于降维后每个模态的医学图像的特征表示，实现医学图像分类。