CN104537642B - 一种基于非负矩阵分解的恶性胶质母细胞瘤组织分类方法 - Google Patents

一种基于非负矩阵分解的恶性胶质母细胞瘤组织分类方法 Download PDF

Info

Publication number
CN104537642B
CN104537642B CN201410743418.1A CN201410743418A CN104537642B CN 104537642 B CN104537642 B CN 104537642B CN 201410743418 A CN201410743418 A CN 201410743418A CN 104537642 B CN104537642 B CN 104537642B
Authority
CN
China
Prior art keywords
normal
wave
abnormal
wave spectrum
tissue
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201410743418.1A
Other languages
English (en)
Other versions
CN104537642A (zh
Inventor
李雨谦
皮亦鸣
刘鑫
闵锐
范录宏
李晋
杨晓波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201410743418.1A priority Critical patent/CN104537642B/zh
Publication of CN104537642A publication Critical patent/CN104537642A/zh
Application granted granted Critical
Publication of CN104537642B publication Critical patent/CN104537642B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Animal Behavior & Ethology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种基于非负矩阵分解的恶性胶质母细胞瘤组织分类方法，通过信号处理技术分析核磁共振谱成像数据，进而完成对脑胶质细胞瘤的组织分类。本发明通过对病人的MRSI数据进行两次NMF分解，从而将胶质细胞瘤的三种组织类型正常、肿瘤、坏死进行识别和分类。首先对MRSI数据进行波源数为2的NMF分解，得到正常组织和非正常组织对应的波源和空间分布h‑map。然后确定最佳掩膜并在掩膜上再次进行波源数为2的NMF分解，得到肿瘤组织和坏死组织对应的波源。最后用NNLS估计出三个波源所对应的空间分布h‑map。

Description

一种基于非负矩阵分解的恶性胶质母细胞瘤组织分类方法
技术领域
本发明属于医学信号处理技术领域，涉及一种基于非负矩阵分解的恶性胶质母细胞瘤组织分类方法。
背景技术
胶质细胞瘤(即神经胶质细胞瘤)是中枢神经系统中最常见的原发性神经系统肿瘤。胶质细胞瘤在神经系统肿瘤中所占比例约为33％，在恶性肿瘤中的比例约为80％。其中，I级和II级胶质细胞瘤为良性肿瘤，良性胶质细胞瘤患者可以存活很多年。III级和IV级胶质细胞瘤为恶性肿瘤。恶性胶质母细胞瘤(glioblastoma，GBM)是最高级别的胶质细胞瘤，其预后性极差、异质性程度很高，并且具有很强的弥漫浸润性，这些特性使得GBM的诊断和预后变得非常困难。
核磁共振(Nuclear Magnetic Resonance，NMR)技术是目前最常用的脑肿瘤诊断手段，常常被用于脑肿瘤的初步诊断。核磁共振谱成像(Magnetic ResonanceSpectroscopy Imaging，MRSI)技术在脑肿瘤的分类方面有着显著的优势。MRSI通过人体的化学成分提供人体组织生物化学的空间信息，并且通过疾病情况下代谢物浓度的变化，可以区分正常及肿瘤组织。对MRSI数据的处理需要用到盲信号分离(Blind SourceSeparation，BSS)技术，BSS算法的主要思想是将矩阵近似地分解为两个矩阵和的乘积。非负矩阵分解(Non-negative Matrix Factorization,NMF)是BSS算法中的一类，强制限定和因子为非负，用NMF对MRSI数据进行处理可以得到理想的处理结果。
2004年，P.Sajda等人提出了约束非负矩阵分解算法(constrained NMF，cNMF)，这是首次采用NMF来解决long-TE MRSI数据的组织分类问题。cNMF算法可以有效地提取出具有重要物理意义的谱源，但该算法强调的是区分正常组织与非正常组织，却无法在非正常组织中准确识别GBM组织。
李雨谦等人提出分层非负矩阵分解算法(hierarchical，hNMF)，首先使用一次NMF方法将正常组织与非正常组织分开，然后通过设定合适的门限值在非正常组织中再次应用NMF，从而识别出GBM组织。在第二级NMF前的门限选择上，该hNMF算法中在计算门限值时只是沿着肿瘤缩小的方向进行，而沿着肿瘤缩小方向得到的门限值与沿着肿瘤扩大得到的门限值是不同的。
发明内容
本发明的目的在于克服上述技术存在的缺陷，提供一种基于非负矩阵分解的恶性胶质母细胞瘤组织分类方法，通过图像处理技术分析核磁共振谱成像数据，进而完成对脑胶质细胞瘤的组织分类。本发明通过对病人的MRSI数据进行两次NMF分解，从而将胶质细胞瘤的三种组织类型(正常、肿瘤、坏死)进行识别和分类。首先对MRSI数据进行波源数为2的NMF分解，得到正常组织和非正常组织对应的波源和空间分布h-map。然后确定最佳掩膜并在掩膜上再次进行波源数为2的NMF分解，得到肿瘤组织和坏死组织对应的波源。最后用NNLS估计出三个波源所对应的空间分布h-map。其具体技术方案为：
一种基于非负矩阵分解的恶性胶质母细胞瘤组织分类方法，包括以下步骤：
第一步：第一级NMF；在VOI(Volume of Interest，感兴趣区)区域内所有体素的波谱构成的矩阵X上应用NMF，并令波源数量为2；波谱的初始值选用仿真的正常、肿瘤及坏死组织分别对应的波谱；h-map的初始值为随机量；得到两个波源及其相应的空间分布Hnormal及Habnormal；比较两波谱的NAA/Lips的比值，NAA/Lips比值较大的波谱代表正常组织，较小的为波谱代表非正常组织；
第二步：第二级NMF；由Habnormal确定非正常组织范围，Habnormal的数值范围为[Hmin,Hmax]；设定t1、t2两个参数，其中t1由小到大取值，t2由大到小取值，取值范围均为[Hmin,Hmax]；构造掩膜函数f(t)，对应不同的t值，Habnormal中超过t值的数值对应的体素即代表非正常组织，在由非正常组织波谱组成的矩阵上再次应用NMF算法，并令波源数目为2，波谱的初始值选用仿真的正常、肿瘤及坏死组织分别对应的波谱；h-map的初始值为随机量；由此得到两种波源与门限值的选取法则：
f(t)＝corr1(t)+corr2(t)+corr3(t)
最佳门限值的选取规则如下：
t＝arg min(f(t1),f(t2))
得到最佳门限值下的与后，计算Cho/Lips的比值，Cho/Lips比值较小的波谱对应为坏死组织即Wnecrosis，另一个对应为肿瘤组织即Wtumor；
第三步：NNLS估计；由得到的三个波源Wnormal，Wtumor及Wnecrosis，在第一步中VOI区域上应用非负最小二乘，得到三个波源对应的准确的空间分布h-map。
优选地，第一步中，NAA与Lips的值分别为2.01ppm及1.3ppm附近区域的最大强度值。
优选地，第二步中，Cho与Lips的值分别为3.22ppm及1.3ppm附近区域的最大强度值。
与现有技术相比，本发明的有益效果为：
相比于现有技术的缺点和不足，本发明具有以下有益效果：
1、采用门限最优化方法，能够准确分解出三种组织所对应的具有代表性波谱以及其对应的空间分布。
2、从门限值扩大和缩小两个方向求解最优门限值，能够更加准确确定最佳掩膜值，避免因单方向所得掩膜不是最佳掩膜的问题。
附图说明
图1为本发明方法的流程图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合附图和具体实例进一步阐述本发明。
参照图1，一种基于非负矩阵分解的恶性胶质母细胞瘤组织分类方法，包括以下步骤：
S1：第一级NMF分解。
在VOI区域内所有体素的波谱构成的矩阵X上应用NMF，方法采用A.Cichocki在文献《Hierarchical ALS Algorithms for nonnegative matrix and 3D tensorfactorization》中所述方法，并令波源数量为2，迭代分解初值选用仿真数据中正常、肿瘤组织所对应的参考波谱，h-map初值为随机数值。得到两个波源及其相应的空间分布。比较两波谱的NAA/Lips的比值，NAA/Lips比值较大的波谱代表正常组织Wnormal，较小的为波谱代表非正常组织Wabnormal。对应的h-map分别为Hnormal和Habnormal。
S2：第二级NMF分解及掩膜确定。
1)求得Hbnormal的数据范围[Hmin,Hmax]，设定两个变量t1、t2，取值范围均为[Hmin,Hmax]，其中t1由小到大取值，t2由大到小取值。每取得一个t1(t2)，将Habnormal中取值大于t1(t2)的体素所对应的原始波谱组成一个新的矩阵Xabnormal，对Xabnormal进行第二层NMF分解，分解方法与S1中所用NMF方法相同，设定波源数为2，初始值选定仿真结果中肿瘤和坏死组织所对应参考波谱，h-map初始值为随机值。得到两个波源及其对应的空间分布，两个波源分别为和
2)分别计算在当前门限值t1(t2)下三个波谱的相关系数，计算公式如下：
其中，corr(x,y)为求向量x和向量y的相关系数。进而得到当前门限值下三个波谱相关系数和，即为门限选择函数：
f(t)＝corr1(t)+corr2(t)+corr3(t)
使得门限选择函数取得最小值的t1(t2)即为最佳门限值。最终门限值选取公式为：
得到最终门限值t及其对应的NMF分解结果，比较两波谱的Cho/Lips的比值，Cho/Lips比值较小的波谱对应为坏死组织即Wnecrosis，另一个对应为肿瘤组织即Wtumour。
S3：由所得的三个参考波谱和原MRSI矩阵X，应用NNLS求得三种波谱所对应的空间分布。该步骤中所采用的NNLS方法来自C.Lawson等在文献《Solving Least SquaresProblems》中所述方法。
应用实施案例
为了验证hNMF对GBM组织分类的效果，在12组GBM病人的活体1H MRSI数据上进行实验，并与one-level NMF(波源数为3的一次NMF分解)的结果作比较。实验过程中，首先对每个病人数据，将专家标识的特定组织的所有波谱进行平均，得到正常、肿瘤、坏死组织分别对应的参考波谱。在对波谱的所属组织进行专家标识时考虑了进行增强前后的传统T1-和T2-weighted MRI图像以及肿瘤组织MRS波谱的先验知识。当且仅当2位专家意见一致时，才考虑该波谱。分别通过hNMF和one-level NMF对12组GBM病人的MRSI数据进行分解，将分解所得波谱与参考波谱分别求相关系数然后相加，即：
其中，Wre为参考波谱，W为分解所得波谱，右上角标C、T、N分别代表正常、肿瘤、坏死组织。
表1中给出两种不同方法下的实验结果对比，由表可见，对于12组GBM病人实验数据，hNMF可以准确地恢复出3种期望的组织形式，得到的total R介于2.70到2.96之间。而one-level NMF仅在5组数据上实验成功且total R的值小于hNMF。由表可见one-level NMF在从GBM病人的活体1H MRSI数据恢复出各组织类型上具有一定的局限性。相比之下，hNMF可以更有效地恢复出各种组织类型。
表1 利用hNMF和one-level NMF进行组织分类的结果比较，“-”表示分类失败
以上所述，仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。

Claims (1)

1.一种基于非负矩阵分解的恶性胶质母细胞瘤组织分类方法，其特征在于，包括以下步骤：
第一步：第一级非负矩阵分解；在VOI区域内所有体素的波谱构成的矩阵X上应用非负矩阵分解，并令波源数量为2；波谱的初始值选用仿真的正常、肿瘤及坏死组织分别对应的波谱；空间分布h-map的初始值为随机量；得到两个波源及其相应的空间分布Hnormal及Habnormal；比较两波谱的NAA/Lips的比值，NAA为N-乙酰天门冬氨酸，Lips为脂质峰，NAA/Lips比值较大的波谱Wnormal代表正常组织，较小的波谱代表非正常组织；
第二步：第二级非负矩阵分解；由Habnormal确定非正常组织范围，Habnormal的数值范围为[Hmin,Hmax]；设定t1、t2两个参数，其中t1由小到大取值，t2由大到小取值，取值范围均为[Hmin,Hmax]；构造掩膜函数f(t)，对应不同的t值，Habnormal中超过t值的数值对应的体素即代表非正常组织，在由非正常组织波谱组成的矩阵上再次应用非负矩阵分解算法，并令波源数目为2，波谱的初始值选用仿真的正常、肿瘤及坏死组织分别对应的波谱；空间分布h-map的初始值为随机量；由此得到非正常的两种波源W1 normal(t)与W2 abnormal(t)；门限值的选取法则：
f(t)＝corr1(t)+corr2(t)+corr3(t)
corr1(t)＝corr(Wnormal,W1 abnormal(t))
corr2(t)＝corr(Wnormal,W2 abnormal(t))
corr3(t)＝corr(W1 normal(t),W2 abnormal(t))
其中，corr(x，y)为求向量x和向量y的相关系数；
最佳门限值的选取规则如下：
t＝argmin(f(t1),f(t2))
得到最佳门限值下的W1 normal(t)与W2 abnormal(t)后，计算W1 normal(t)与W2 abnormal(t)的Cho/Lips的比值，Cho为胆碱，Cho/Lips比值较小的波谱对应为坏死组织即Wnecrosis，另一个对应为肿瘤组织即Wtumor；
第三步：非负最小二乘方差分量估计；由得到的三个波源：正常组织Wnormal，肿瘤组织Wtumour及坏死组织Wnecrosis，在第一步中VOI区域上应用非负最小二乘法，得到三个波源对应的准确的空间分布h-map。
CN201410743418.1A 2014-12-08 2014-12-08 一种基于非负矩阵分解的恶性胶质母细胞瘤组织分类方法 Expired - Fee Related CN104537642B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410743418.1A CN104537642B (zh) 2014-12-08 2014-12-08 一种基于非负矩阵分解的恶性胶质母细胞瘤组织分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410743418.1A CN104537642B (zh) 2014-12-08 2014-12-08 一种基于非负矩阵分解的恶性胶质母细胞瘤组织分类方法

Publications (2)

Publication Number Publication Date
CN104537642A CN104537642A (zh) 2015-04-22
CN104537642B true CN104537642B (zh) 2018-09-04

Family

ID=52853161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410743418.1A Expired - Fee Related CN104537642B (zh) 2014-12-08 2014-12-08 一种基于非负矩阵分解的恶性胶质母细胞瘤组织分类方法

Country Status (1)

Country Link
CN (1) CN104537642B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834935A (zh) * 2015-04-27 2015-08-12 电子科技大学 一种稳定的脑肿瘤非监督疾病分类学成像方法
CN107661103A (zh) * 2016-07-29 2018-02-06 上海交通大学医学院 一种检测肿瘤组织边界或肿瘤基质细胞分布范围的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831443A (zh) * 2012-07-27 2012-12-19 北京师范大学 基于子空间分析的颅骨性别鉴定方法
CN103824062A (zh) * 2014-03-06 2014-05-28 西安电子科技大学 基于非负矩阵分解的分部位人体运动识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831443A (zh) * 2012-07-27 2012-12-19 北京师范大学 基于子空间分析的颅骨性别鉴定方法
CN103824062A (zh) * 2014-03-06 2014-05-28 西安电子科技大学 基于非负矩阵分解的分部位人体运动识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Hierarchical non-negative matrix factorization (hNMF): a tissue pattern differentiation method for glioblastoma multiforme diagnosis using MRSI;Yuqian Li 等;《NMR IN BIOMEDICINE》;20121231;摘要，正文第3页左栏第4-6段, 第3页右栏第1-4段 *

Also Published As

Publication number Publication date
CN104537642A (zh) 2015-04-22

Similar Documents

Publication Publication Date Title
Kazemi et al. Quantitative comparison of SPM, FSL, and brainsuite for brain MR image segmentation
Hong et al. Automated detection of cortical dysplasia type II in MRI-negative epilepsy
Lin et al. Multispectral MR images segmentation based on fuzzy knowledge and modified seeded region growing
Fennema‐Notestine et al. Quantitative evaluation of automated skull‐stripping methods applied to contemporary and legacy images: Effects of diagnosis, bias correction, and slice location
Goncalves et al. 7 tesla FMRI reveals systematic functional organization for binocular disparity in dorsal visual cortex
Kornblith et al. A network for scene processing in the macaque temporal lobe
Kim et al. Comparison of statistical tests for group differences in brain functional networks
Krüger et al. Fully automated longitudinal segmentation of new or enlarged multiple sclerosis lesions using 3D convolutional neural networks
Gilaie-Dotan et al. Perceptual shape sensitivity to upright and inverted faces is reflected in neuronal adaptation
Kashyap et al. Energy-based active contour method for image segmentation
Li et al. An advanced MRI and MRSI data fusion scheme for enhancing unsupervised brain tumor differentiation
Karaca et al. Clustering multiple sclerosis subgroups with multifractal methods and self-organizing map algorithm
CN104537642B (zh) 一种基于非负矩阵分解的恶性胶质母细胞瘤组织分类方法
CN109416835A (zh) 医学图像中的变化检测
Gambino et al. Automatic skull stripping in MRI based on morphological filters and fuzzy c-means segmentation
Linsley et al. Evidence for participation by object-selective visual cortex in scene category judgments
Margalit et al. What is actually affected by the scrambling of objects when localizing the lateral occipital complex?
Raphael et al. Computation of relative numerosity of circular dot textures
Hu et al. Impact of inter-individual variability on the estimation of default mode network in temporal concatenation group ICA
Wang et al. Automatic segmentation of white matter lesions on magnetic resonance images of the brain by using an outlier detection strategy
Raschke et al. Classification of single‐voxel 1H spectra of childhood cerebellar tumors using lcmodel and whole tissue representations
Bendazzoli et al. Priornet: lesion segmentation in pet-ct including prior tumor appearance information
CN108460748A (zh) 乳腺肿瘤分析用特征训练参数获取方法、系统及诊断系统
Sreedhanya et al. An automatic brain tumor detection and segmentation using hybrid method
Athira et al. Brain tumor detection and segmentation in MR images using GLCM and AdaBoost classifier

Legal Events

Date Code Title Description
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20200616

Address after: 610000, Sichuan, Chengdu, Wuhou District Wuhou Metro Management Committee, Wu Qing Road, No. 40 digital science and Technology Plaza, block B, building 10

Patentee after: SICHUAN TELECAST TECHNOLOGY CO.,LTD.

Address before: 611731, No. 2006, West Avenue, hi tech West District, Sichuan, Chengdu

Patentee before: University of Electronic Science and Technology of China

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20201218

Address after: 611731, No. 2006, West Avenue, hi tech West District, Sichuan, Chengdu

Patentee after: University of Electronic Science and Technology of China

Address before: 10 / F, block B, Digital Technology Plaza, 40 Wuqing South Road, Wuhou New Town Management Committee, Wuhou District, Chengdu, Sichuan 610000

Patentee before: SICHUAN TELECAST TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180904

Termination date: 20211208

CF01 Termination of patent right due to non-payment of annual fee