[发明专利]基于稀疏表示框架的脑胶质瘤生存期预测方法和系统

摘要

本发明属于医学图像处理技术领域，具体为一种基于稀疏表示框架的较高级别脑胶质瘤生存期预测方法和系统。本发明首先利用基于卷积神经网络的图像分割方法分割MRI图像中肿瘤区域；而后采用基于局部SIFT特征稀疏表示的方法提取肿瘤区域全局特征；为减少特征冗余性和提高生存期预测精度，采用稀疏表示与结构保持结合的模型进行特征选择，选择少数高稳定性高分辨力的特征预测生存期；最后，采用多特征协作稀疏表示分类方法结合多模态特征预测病人生存期是否大于22个月。本发明方法不仅具有较高的生存期预测精度，且整个过程由计算机自动完成无需人工干预，可用于临床中较高级别脑胶质瘤的术后生存期预测。

主权项

1.一种基于稀疏表示框架的较高级别脑胶质瘤生存期预测方法，其特征在于,具体步骤为：步骤一.基于局部SIFT特征稀疏表示的肿瘤特征提取(1)肿瘤区域的分割：对多模态MRI图像进行脑壳剥离和数据归一化预处理后，针对每个模态MRI图像，选择部分肿瘤图像进行手动分割构建训练集，并训练卷积神经网络分割模型，然后利用训练的网络自动分割图像中肿瘤区域；(2)各模态肿瘤图像特征的提取：针对每个模态的肿瘤图像，提取每个病例的局部SIFT特征集合S∈R^128×d，d表示每个病例所包含的关键点个数；分别选择部分短生存期病例和部分长生存期病例的SIFT特征集进行组合，得到短生存期特征集和长生存期特征集这里，d_S，d_L分别为对应病例所包含的关键点个数；然后利用K‑奇异值分解算法，分别从S_S和S_L中训练短生存期字典D_S和长生存期字典D_L；最后利用训练字典的组合对每个病例的局部SIFT特征S＝[s₁,…s_i,…s_d]进行稀疏表示，提取肿瘤区域全局特征：其中,短生存期指生存期小于22个月，长生存期指生存期大于22个月；s_i∈R¹²⁸为第i个关键点的SIFT特征，D＝[D_L,D_S]为特征提取字典，α_i∈R^k是s_i对应的稀疏表示系数，φ为权重正则化参数，f∈R^k为最终提取的全局特征，利用正交匹配追踪算法求解式(1)稀疏模型；步骤二.基于稀疏表示与结构保持结合的特征选择建立基于稀疏表示与结构保持结合的特征选择模型选择少量高分辨力特征：首先，分别计算样本的类内和类间结构信息；计算基于有效距离的样本相似度矩阵其中S_i,j表示样本f_i和f_j间的相似度，N为样本个数；根据S和样本类标签信息，为每个样本构建两个不相交的集合：其中,f_i^j表示与样本f_i第j个最相似的样本，基于式(2)，定义两个权重矩阵和来分别保存内类和类间结构信息：然后，建立基于稀疏表示与结构保持相结合的特征选择模型：其中,表示样本类标签编码矩阵，F＝[f₁…f_i…f_N]为高维特征数据，f_i为第i个样本的特征；θ是稀疏表示系数矩阵，它的0行元素对应冗余的特征；L^w＝D^w‑S^w和L^b＝D^b‑S^b是图拉普拉斯矩阵，分别存储类内和类间样本结构信息，D^w和D^b是两个对角矩阵，每个对角元素分别表示为和μ₁、μ₂和β为正则化约束参数；利用加速近端梯度法求解式(5)模型，当获得系数矩阵θ后，对其每一行的l₂范数进行降序排序，得到特征的重要性排序；最后对排序后的特征，利用顺序前进法测试验证集，得到最优分类率对应的特征组合即为最终选择的特征；步骤三.多特征协作稀疏表示分类对于待测多模态肿瘤图像特征其中M表示模态个数，首先建立式(6)稀疏表示模型：其中,为已知样本类别的训练特征集，为第m个模态特征对应的稀疏表示系数；τ₁和τ₂为两个正则化参数，ω_m为第m个模态特征对应的权重；利用文献[5]方法求解式(6)；当求得表示系数后，利用式(7)确定测试样本特征的类别：其中,δc(·)用于选择第c类训练样本对应的表示系数，C表示类别总个数；最后，分别计算分类的准确度(ACC)、敏感度(SEN)、特异度(SPE)评价预测性能。