法律状态公告日
法律状态信息
法律状态
2019-06-18
授权
授权
2016-07-20
实质审查的生效 IPC(主分类):G06K9/62 申请日:20151231
实质审查的生效
2016-06-22
公开
公开
技术领域
本申请涉及图像处理领域,具体涉及一种用于脑部MRI图像分类的图像处理方法。
背景技术
脑部MRI图像分类采用基于模版的图像处理方法:(1)以体素灰度为基础;(2)以大 脑皮层厚度为基础;(3)以特定感兴趣区域为基础。上述方法均使用了模板(或标准)空间, 因此把这类方法称为基于模板的算法。
现有技术中还采用配准形变场量化的两两遍历式比较方法。在特征采集时,利用 图像间配准的形变场并量化从而对解剖结构差异进行描述;对个体图像进行两两比较,这 种遍历式方法得到的特征不是一个一维向量,而是多维向量,利用相关数学模型对多维向 量进行量化,建立相似度矩阵,用于描述每两幅图像之间的相近程度。接着基于相似度矩阵 利用投影算法将每个个体映射到统一的低维欧几里得空间,最后通过模式识别算法对图像 分类。
基于模板的算法往往会使结果受到模板空间选择和建立好坏的影响,增加了结果 的不稳定性。遍历式算法能大大提高图像信息的利用率并提高判别的准确率,然而,当用于 分类训练的数据库数据量很大时,相较于模板算法,遍历法的计算量将显著增加。
发明内容
本申请要解决的技术问题是针对现有技术的不足,提供一种能有效减少计算量的 用于脑部MRI图像分类的图像处理方法。
本申请要解决的另一技术问题是提供一种基于该方法的装置。
本申请要解决的技术问题通过以下技术方案加以解决:
一种用于脑部MRI图像分类的图像处理方法,包括:
获取第一类MRI图像集和第二类MRI图像集;
提取第一类MRI图像集和第二类MRI图像集的相似度信息;
使用Nystrom算法和投影算法,计算第一类MRI图像集和第二类MRI图像集中个体 的欧几里得坐标;
利用相似度信息和欧几里得坐标对第一类MRI图像集和第二类MRI图像集进行分 类训练,获得判决标准;
提取待分类MRI图像集的图像特征,根据判决标准进行图像分类。
上述提取所述第一类MRI图像集和第二类MRI图像集的相似度信息包括:
对I={N1,N2,...,Nm,A1,A2,...,An}数据集中每幅图像进行位置校正、偏移场校 正,其中{N1,N2,...,Nm}为第一类MRI图像集,{A1,A2,...,An}为第二类MRI图像集;
从I中随机选取p个第一类MRI图像集个体和q个第二类MRI图像集个体,其中p+q<< m+n,组成训练子库I'={N1,N2,...,Np,A1,A2,...,Aq}={I1,I2,...,Ip+q};
对I'中的每一对MRI图像{Ii,Ij},i,j∈1,...,p+q,用任意微分同胚配准算法求得 形变场φij和φji,满足Ij=Iiοφij,Ii=Ijοφji,其中“ο”为根据形变场对图像进行翘曲,图 像Ii,Ij的非相似度:
其中dist(Ii,Ij)表示图像Ii和Ij间的非相似度,d(Ii,Ij)表示图像Ii和Ij间的黎曼 距离,Id表示单位变换;
计算I'的相似度矩阵:
其中sij=sji,i,j∈{1,...,p+q}。
上述使用Nystrom算法和投影算法,计算第一类MRI图像集和第二类MRI图像集中 个体的欧几里得坐标包括:
I”={Np+1,Np+2,...,Nm,Aq+1,Aq+2,...,An}={Ip+q+1,Ip+q+2,...,Im+n},其中I=I'∪ I”,将I”中的MRI图像配准到I'中的个体空间,可得数据集I的相似度矩阵:
其中sij=sji,i,j∈{1,...,m+n}。ξsub为(p+q)×(p+q)矩阵,可对角化为ξsub=UΛ UT;设为ξ的近似特征向量,根据Nystrom算法可得ξ可近似计算为:
定义ξsub,ξpart,ξpartT每行的和向量为:
将标准化为可特征分解为第一类 MRI图像集和第二类MRI图像集个体的投影坐标为其中dim取整数,为预先设置的投影空间维度。
其中上述提取待分类MRI图像集的图像特征,根据判决标准进行图像分类包括:对 于待分类MRI图像集M配准到所述I'的个体上,利用Nystrom算法和投影算法获得所述M个体 在欧几里得空间的映射坐标。
对于待分类MRI图像集M配准到所述I'的每个个体上,利用Nystrom算法和投影算 法获得所述M个体在欧几里得空间的映射坐标包括:
将M配准到训练子库所述I'的每个个体上,量化形变场,可得相似度向量ξnew= [s1,news2,new…s(p+q),new]T,ξnewT的向量和为cnew,可得到:
标准化ξnewT可得:
投影映射可得特征向量M的个体坐标为
一种用于脑部MRI图像分类的图像处理装置,包括:获取模块,用于获取第一类MRI 图像集和第二类MRI图像集;提取模块,用于提取所述第一类MRI图像集和第二类MRI图像集 的相似度信息;计算模块,用于使用Nystrom算法和投影算法,计算所述第一类MRI图像集和 第二类MRI图像集中个体的欧几里得坐标;标准模块,用于利用所述相似度信息和欧几里得 坐标对所述第一类MRI图像集和第二类MRI图像集进行分类训练,获得判决标准;分类模块, 用于提取待分类MRI图像集的图像特征,根据所述判决标准进行图像分类。
所述提取模块还用于:
对I={N1,N2,...,Nm,A1,A2,...,An}数据集中每幅图像进行位置校正、偏移场校 正,其中{N1,N2,...,Nm}为所述第一类MRI图像集,{A1,A2,...,An}为所述第二类MRI图像集;
从I中随机选取p个第一类MRI图像集个体和q个第二类MRI图像集个体,其中p+q<< m+n,组成训练子库I'={N1,N2,...,Np,A1,A2,...,Aq}={I1,I2,...,Ip+q};
对I'中的每一对MRI图像{Ii,Ij},i,j∈1,...,p+q,用任意微分同胚配准算法求得 形变场φij和φji,满足Ij=Iiοφij,Ii=Ijοφji,其中“ο”为根据形变场对图像进行翘曲,图 像Ii,Ij的非相似度:
其中dist(Ii,Ij)表示图像Ii和Ij间的非相似度,d(Ii,Ij)表示图像Ii和Ij间的黎曼 距离,Id表示单位变换;
计算训练子库图像间的相似度矩阵:
其中sij=sji,i,j∈{1,...,p+q}。
上述计算模块还用于:
对于I”={Np+1,Np+2,...,Nm,Aq+1,Aq+2,...,An}={Ip+q+1,Ip+q+2,...,Im+n},其中I= I'∪I”,将I”中的MRI图像配准到I'中的个体空间,可得数据集I的相似度矩阵:
其中sij=sji,i,j∈{1,...,m+n}。ξsub为(p+q)×(p+q)矩阵,可对角化为ξsub=UΛ UT;设为ξ的近似特征向量,则根据Nystrom算法可得则ξ可近似计算 为:
定义ξsub,ξpart,ξpartT每行的和向量为:
将标准化为可特征分解为则所述第 一类MRI图像集和第二类MRI图像集个体的投影坐标为其中dim取整数,为预先设置的投影空间维度。
其中分类模块还用于:对于待分类MRI图像集M配准到所述I'的个体上,利用 Nystrom算法和投影算法获得所述M个体在欧几里得空间的映射坐标。
其中上述分类模块还用于:将M配准到训练子库I'的每个个体上,量化形变场,可 得相似度向量ξnew=[s1,news2,new…s(p+q),new]T,ξnewT的向量和为cnew,可得到:
标准化ξnewT可得:
投影映射可得特征向量M的个体坐标为
由于采用了以上技术方案,使本申请具备的有益效果在于:
⑴在本申请的具体实施方式中,在提取第一类MRI图像集和第二类MRI图像集中, 采用Nystrom算法对相似度矩阵进行近似,大大减少了计算量;
⑵在本申请的具体实施方式中,在对待分类MRI图像进行分类时,利用Nystrom算 法求得欧几里得空间的映射坐标,进一步减少了计算量。
附图说明
图1为根据本申请方法一个实施例的流程图;
图2为根据本申请装置一个实施例的结构示意图。
具体实施方式
下面通过具体实施方式结合附图对本申请作进一步详细说明。
基于模板的算法往往会使结果受到模板空间选择和建立好坏的影响,增加了结果 的不稳定性。遍历式算法能大大提高图像信息的利用率并提高判别的准确率,然而,当用于 分类训练的数据库数据量很大时,相较于模板算法,遍历法的计算量将显著增加。为此本申 请将引入Nystrom算法,只需计算训练库的一个子集的相似度矩阵,即可对整个训练库所有 个体进行估计和有效的分类,从而建立预测判决模型。
图1示出根据本申请方法一个实施例的流程图,包括:
步骤102:获取第一类MRI图像集和第二类MRI图像集。
一种实施方式,设一组已知分类结果的个体的MR图像为I={N1,N2,...,Nm,A1, A2,...,An},其中{N1,N2,...,Nm}为第一类MRI图像集,其为正常人群图像,例如老年人群的 图像;{A1,A2,...,An}为第二类MRI图像集,可为某种病症的人群图像,例如阿尔茨海默病高 危个体或患者。待分类个体的MR图像定义为M。
步骤104:提取第一类MRI图像集和第二类MRI图像集的相似度信息。
一种实施方式,对I={N1,N2,...,Nm,A1,A2,...,An}数据集中每幅图像进行位置校 正、偏移场校正。从从训练数据库I中随机选取p个第一类MRI图像集个体和q个第二类MRI图 像集个体(p+q<<m+n),组成训练子库I'={N1,N2,...,Np,A1,A2,...,Aq}={I1,I2,...,Ip+q}。 对I'中的每一对MRI图像{Ii,Ij},i,j∈1,...,p+q,用任意微分同胚配准算法 (diffeomorphicregistration)求得形变场φij和φji,满足Ij=Iiοφij,Ii=Ijοφji,其中 “ο”为根据形变场对图像进行翘曲(warping),图像Ii,Ij的非相似度可由基于φij,φji计算 的黎曼距离定义:
其中dist(Ii,Ij)表示图像Ii和Ij间的非相似度,d(Ii,Ij)表示图像Ii和Ij间的黎曼 距离,Id表示单位变换。
计算I'的相似度矩阵:
其中sij=sji,i,j∈{1,...,p+q}。
步骤106:使用Nystrom算法和投影算法,计算第一类MRI图像集和第二类MRI图像 集中个体的欧几里得坐标。
一种实施方式,将训练数据库中剩余个体I”={Np+1,Np+2,...,Nm,Aq+1,Aq+2,...,An} ={Ip+q+1,Ip+q+2,...,Im+n},其中I=I'∪I”,将I”中的MRI图像配准到I'中的个体空间,每对 图像配准的形变场如步骤104描述量化,可得数据集I的相似度矩阵:
其中sij=sji,i,j∈{1,...,m+n}。ξsub为(p+q)×(p+q)矩阵,可对角化为ξsub=UΛ UT;设为ξ的近似特征向量,根据Nystrom算法可得ξ可近似计算为:
定义ξsub,ξpart,ξpartT每行的和向量为:
将标准化为可特征分解为第一类MRI 图像集和第二类MRI图像集个体的投影坐标为其 中dim取整数,为人为设置的投影空间维度。
步骤108:利用相似度信息和欧几里得坐标对第一类MRI图像集和第二类MRI图像 集进行分类训练,获得判决标准。
一种实施方式,可使用任意有监督的模式分类算法对图像进行分类,训练分类器, 找到最优判决标准。
步骤110:提取待分类MRI图像集的图像特征,根据判决标准进行图像分类。
一种实施方式,对于待分类MRI图像集M配准到所述I'的个体上,利用Nystrom算法 和投影算法获得M个体在欧几里得空间的映射坐标。
将M配准到训练子库所述I'的每个个体上,量化形变场,可得相似度向量ξnew= [s1,news2,new…s(p+q),new]T,ξnewT的向量和为cnew,可得到:
标准化ξnewT可得:
投影映射可得特征向量M的个体坐标为
在已建立的投影坐标空间,根据训练好的分类器,对新个体进行分类,得到图像 分类结果。
本申请将已知分类结果的第一类MRI图像集个体和第二类MRI图像集个体的结构 MRI图像进行两两配准,对其形变场进行量化作为图像间相似度的描述,再利用投影算法求 得每个个体映射到欧几里得空间的坐标,并利用有监督的分类算法建立诊断和预测判决模 型。其中为减少计算量,使用了Nystrom算法对相似度矩阵进行近似,只需将所有已知个体 配准到选取的子集个体上,即可完全估计出所有个体的投影坐标。假设已知诊断结果个体 的数量为N,选择的子集个体数量为n,n<<N,利用Nystrom算法将使计算量从N*(N-1)下降为 N*n。
当对新的待分类个体进行归类时,将其配准到已知个体的训练子集,利用Nystrom 算法和投影算法的扩展算法求得新个体在欧几里得空间的映射坐标,并使用训练好的判决 模型对其分类鉴别。此处计算量也从N下降到n。
图2示出根据本申请装置一个实施例的结构示意图,包括:获取模块、提取模块、计 算模块、标准模块和分类模块。
获取模块用于获取第一类MRI图像集和第二类MRI图像集。
提取模块,用于提取所述第一类MRI图像集和第二类MRI图像集的相似度信息。一 种实施方式,还用于对I={N1,N2,...,Nm,A1,A2,...,An}数据集中每幅图像进行位置校正、 偏移场校正,其中{N1,N2,...,Nm}为第一类MRI图像集,{A1,A2,...,An}为第二类MRI图像集。
从I中随机选取p个第一类MRI图像集个体和q个第二类MRI图像集个体,其中p+q<< m+n,组成训练子库I'={N1,N2,...,Np,A1,A2,...,Aq}={I1,I2,...,Ip+q};
对I'中的每一对MRI图像{Ii,Ij},i,j∈1,...,p+q,用任意微分同胚配准算法求得 形变场φij和φji,满足Ij=Iiοφij,Ii=Ijοφji,其中“ο”为根据形变场对图像进行翘曲,图 像Ii,Ij的非相似度:
其中dist(Ii,Ij)表示图像Ii和Ij间的非相似度,d(Ii,Ij)表示图像Ii和Ij间的黎曼 距离,Id表示单位变换;
计算训练子库图像间的相似度矩阵:
其中sij=sji,i,j∈{1,...,p+q}。
计算模块用于使用Nystrom算法和投影算法,计算第一类MRI图像集和第二类MRI 图像集中个体的欧几里得坐标。一种实施方式,对于I”={Np+1,Np+2,...,Nm,Aq+1,Aq+2,..., An}={Ip+q+1,Ip+q+2,...,Im+n},其中I=I'∪I”,将I”中的MRI图像配准到I'中的个体空间,可 得数据集I的相似度矩阵:
其中sij=sji,i,j∈{1,...,m+n}。ξsub为(p+q)×(p+q)矩阵,可对角化为ξsub=UΛ UT;设为ξ的近似特征向量,则根据Nystrom算法可得则ξ可近似计算 为:
定义ξsub,ξpart,ξpartT每行的和向量为:
将标准化为可特征分解为则第一 类MRI图像集和第二类MRI图像集个体的投影坐标为其中dim取整数,为预先设置的投影空间维度。
标准模块,用于利用所述相似度信息和欧几里得坐标对所述第一类MRI图像集和 第二类MRI图像集进行分类训练,获得判决标准;
分类模块,用于提取待分类MRI图像集的图像特征,根据所述判决标准进行图像 分类。一种实施方式,对于待分类MRI图像集M配准到所述I'的个体上,利用Nystrom算法和 投影算法获得所述M个体在欧几里得空间的映射坐标。将M配准到训练子库I'的每个个体 上,量化形变场,可得相似度向量ξnew=[s1,news2,new…s(p+q),new]T,ξnewT的向量和为cnew,可 得到:
标准化ξnewT可得:
投影映射可得特征向量M的个体坐标为
以上内容是结合具体的实施方式对本申请所作的进一步详细说明,不能认定本申 请的具体实施只局限于这些说明。对于本申请所属技术领域的普通技术人员来说,在不脱 离本申请构思的前提下,还可以做出若干简单推演或替换。
机译: 图像分类预处理装置,图像分类装置,图像分类预处理方法,图像分类方法和程序
机译: 图像分类预处理设备,图像分类设备,图像分类预处理方法,图像分类方法和程序
机译: 用于将婴儿固定在MRI设备的桌子上的用于对婴儿的脑部进行MRI检查的装置,具有允许婴儿的头部和设备接收头部的前部穿透到MRI设备的隧道中的壳体