[发明专利]一种用于辅助诊断胶质瘤疾病的多模态影像分析方法

摘要

脑胶质瘤是威胁人类健康的一大杀手，多成恶性，难以完全切除，对放疗化疗不甚敏感，非常容易复发，预后极差。近些年来随着人工智能技术的不断发展，基于磁共振成像的计算机辅助诊断系统研究也正逐步发展，通过利用计算机对影像图片的分类判读，辅助放射科医生进行疾病诊断，开辟了胶质瘤等疾病检测的新方法。人们在用机器学习算法分析胶质瘤等疾病的影像时，使用MRI的某一个模态，会限制辅助诊断精度的提升。针对此问题，本发明提出了一种基于MPCA和多模态影像的胶质瘤疾病诊断方法，充分利用MPCA处理张量数据的优势，将多个MRI模态影像进行融合，从而提高了算法的准确度。

主权项

1.一种用于辅助诊断胶质瘤疾病的多模态影像分析方法，其特征在于，选取磁共振影像MRI的Q个模态，Q≥2，每个模态是一个三维数据，将多个模态的数据在第四个维度上相连，其中第四维的长度为Q，从而使得每个样本变成了一个四维张量，把归一化后的四维多模态MRI影像作为数据的输入，然后寻找四个方向上的投影矩阵，通过优化算法求出投影矩阵并对原始四维数据张量进行投影，得到降维后的四维矩阵，最后将降维后的四维矩阵其展开成一维向量，输入到支持向量机SVM中进行判别，得到其是否是胶质瘤的输出结果，具体步骤包括：(一)采集磁共振影像数据，在统计参数图软件SPM中进行预处理，取出其中Q个模态的数据，并连接成四维张量，令X_m表示第m个样本，其中M为样本总个数，I₁，...，I_N为其在对应1，...，N维上的数据长度，N＝4；(二)对输入数据进行去均值操作，其中为输入样本的均值；(三)对于所有的n，n＝1，2，...，N，令总体散布矩阵其中是在第n维上的展开矩阵，符号T表示矩阵的转置，令为P_n个最大特征值对应的特征向量所构成的矩阵，P_n表示经过投影后的影像在第n维上的长度；(四)计算符号“×₁”，“×₂”，“×_N”分别表示张量模1，模2和模N的乘法运算，表示经过投影后的影像数据，令符号||·||_F表示F范数运算，k从1到K依次执行以下步骤，K为最大迭代次数：1)对于所有的n，n＝1，2，...，N，令为矩阵Φ⁽ⁿ⁾的P_n个最大特征值对应的特征向量所构成的矩阵，令：其中：符号表示Kronecker积，表示均值在模n上的展开矩阵；2)计算与表示第k次迭代得到的φ_y；3)如果跳出循环；(五)将数据投影到新的空间，(六)将Ym展开成一维向量，m＝1，2，...，M，用SVM进行分类，得到其是否是胶质瘤疾病的输出结果。