[发明专利]稀疏表示的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别系统有效

专利信息
申请号: 201710162702.3 申请日: 2017-03-18
公开(公告)号: CN107016395B 公开(公告)日: 2021-02-26
发明(设计)人: 汪源源;余锦华;吴国庆;李泽榉 申请(专利权)人: 复旦大学
主分类号: G06K9/46 分类号: G06K9/46;G06K9/62;G06T7/00
代理公司: 上海正旦专利代理有限公司 31200 代理人: 陆飞;陆尤
地址: 200433 *** 国省代码: 上海;31
权利要求书: 查看更多 说明书: 查看更多
摘要: 发明属于计算机辅助诊断技术领域,具体为一种基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤鉴别方法。本发明首先利用基于卷积神经网络的图像分割方法分割T1增强和T2加权MRI图像肿瘤区域;然后设计字典学习和稀疏表示方法提取肿瘤区域纹理特征。为减少特征冗余性和提高肿瘤鉴别效率,采用迭代稀疏表示特征选择方法,选择少数高稳定性高分辨力的特征用于肿瘤鉴别;最后,基于特征态融合的思想,建立同时包含T1增强或T2加权两个模态的联合稀疏表示分类模型提高肿瘤鉴别精度。本发明方法不仅能够获得较高的肿瘤鉴别精度,且无需人工操作提取鉴别参数,具有较强的鲁棒性,可用于原发性脑部淋巴瘤和胶质母细胞瘤的临床鉴别。
搜索关键词: 稀疏 表示 原发性 脑部 淋巴瘤 胶质 细胞 鉴别 系统
【主权项】:
一种基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤鉴别方法,其特征在于,具体步骤为:(1)稀疏表示肿瘤纹理特征提取利用基于卷积神经网络的图像分割方法分割T1增强和T2加权模态MRI图像中肿瘤区域;由于不同病人肿瘤大小和形状不同,因此采用基于图像块的处理方式提取肿瘤纹理特征;针对T1增强或T2加权模态肿瘤区域图像,首先抽取大量肿瘤区域包含的图像块集合,训练稀疏表示字典,然后利用训练字典对肿瘤区域进行稀疏表示,提取肿瘤区域纹理特征;稀疏表示纹理特征提取模型表示为:Λ^=Σi=1Nargminαi||yi-Dαi||22+λ||αi||0f=1NΣi=1N|αi|---(1)]]>其中,yi∈Rn,i=[1,2…N]为肿瘤区域包含的图像块,N为图像块的个数,D∈Rn×2K为稀疏表示字典,λ为稀疏约束项控制参数,αi∈R2K为yi对应的稀疏表示系数,为αi的估计结果,利用正交匹配追踪算法求解式(1)稀疏模型,获得最终肿瘤纹理特征f∈R2K;(2)迭代稀疏表示特征选择特征提取获得的纹理特征存在大量冗余信息,因此建立迭代稀疏表示特征选择模型,分别从提取的T1增强和T2加权模态图像纹理特征fT1和fT2中选择少量高分辨力特征;每次迭代从训练样本集中随机选择部分样本,利用样本特征集对样本标签进行稀疏表示,选择与样本标签相关性较强的特征:w^(k)=argminw||lk-Fkw||22+η||w||0---(2)]]>η为稀疏约束项控制参数,lk∈RM为样本标签,Fk∈RM×2K为样本特征集,M为选择的样本个数,k表示迭代次数,利用正交匹配追踪算法求解式(2)稀疏表示模型,并将每次迭代获得的稀疏表示系数平均得到特征的重要性排序;(3)多模态特征融合稀疏表示分类T1增强和T2加权模态肿瘤图像体现了肿瘤不同特征,会产生不同分类效果,因此结合步骤二选择的T1增强模态肿瘤图像特征和T2加权模态肿瘤图像特征,建立多模态信息融合的稀疏表示分类模型:β^T1=argminβT1||fT1-FT1βT1||22+λT11||βT1||1+λT12||βT1-β‾||1β^T2=argminβT2||fT2-FT2βT2||22+λT21||βT2||1+λT22||βT2-β‾||1---(3)]]>其中,fT1和fT2分别为待测肿瘤T1增强图像和T2加权图像对应的特征,FT1和FT2分别为训练样本T1增强图像和T2加权图像对应的特征集合,为稀疏系数约束参数,为T1增强图像特征稀疏表示分类系数和T2加权图像特征稀疏表示分类系数的加权平均;利用阈值收缩算法求解式(3),当获得稀疏系数和后,计算加权稀疏表示残差:ri=w1||fT1-FT1δi(β^T1)||22+w2||fT2-FT2δi(β^T2)||22,i∈[1,2]---(4)]]>以此来判断肿瘤类别,其中δi(·)表示选择第i类特征对应的系数;最终待测肿瘤样本类别为:ID(f)=argmini{ri},i∈[1,2]---(5)]]>其中,f=[fT1;fT2]表示待测样本的两种特征。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于复旦大学,未经复旦大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/patent/201710162702.3/,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top