CN104834935A - 一种稳定的脑肿瘤非监督疾病分类学成像方法 - Google Patents
一种稳定的脑肿瘤非监督疾病分类学成像方法 Download PDFInfo
- Publication number
- CN104834935A CN104834935A CN201510205004.8A CN201510205004A CN104834935A CN 104834935 A CN104834935 A CN 104834935A CN 201510205004 A CN201510205004 A CN 201510205004A CN 104834935 A CN104834935 A CN 104834935A
- Authority
- CN
- China
- Prior art keywords
- nosology
- image
- voxel
- brain tumor
- mrsi
- 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.)
- Pending
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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种稳定的脑肿瘤非监督疾病分类学成像方法,采集MRSI数据上的NMF;在PRESS框内选取一个ROI,对于选取的ROI中MRSI信号数据,进行分解,分解之后的X的每一列表示一个波源;利用主成分分析(PCA)算法确定波源数;把初始MRSI数据进行PCA分解,对得到的结果进行分析,最后确定可用的主成分个数,根据主成分个数确定波源数r;通过NMF,将得到的波源r作为X的每一组列向量,每种组织相对的空间分布作为S的行向量,利用之前得到的X中每种组织的波谱在整个PRESS框内应用非负最小二乘得到恢复图像。本发明的有益效果是在不需要大量的训练波谱数据集的情况下就能得到疾病分类学图像。
Description
技术领域
本发明属于图像处理技术领域,涉及一种稳定的脑肿瘤非监督疾病分类学成像方法。
背景技术
疾病分类学成像是指将核磁共振成像(Magnetic ResonanceImaging,MRI)与核磁共振谱成像(Magnetic Resonance SpectroscopyImaging,MRSI)数据中提取出的肿瘤分类信息联合起来构建出一幅图像,用不同颜色表示不同的组织形式。该技术的优越性在于可以用一幅有关于肿瘤种类和级别的图像将各种代谢物的分布全部表达出来。
到目前为止,研究人员已经提出了很多种疾病分类学成像方法,但是这些方法都有个共同的特点,就是需要大量的训练波谱数据集来提供对每个体素的类别标识,然后再利用这些MRSI的类别标识来得到疾病分类学图像。但是,每次都能得到大量的训练波谱数据集并不总是可行的。
发明内容
本发明的目的在于提供一种稳定的脑肿瘤非监督疾病分类学成像方法,解决了现有的疾病分类学成像需要大量训练数据集、过于复杂的问题。
本发明所采用的技术方案是按照以下步骤进行:
步骤1:采集MRSI数据上的NMF;
在PRESS(点分辨波谱)框内选取一个ROI(感兴趣区域),对于选取的ROI中MRSI信号数据,定义一个矩阵Y,Y的每一个列向量为来自一个体素中的波,这样Y矩阵的每一列均为r个波源的线性组合,进行以下分解:
步骤2:利用主成分分析(PCA)算法确定波源数;
脑肿瘤主成分按照组织病理学检验标准可以分为正常组织,活跃生长的肿瘤组织,以及坏死组织三种,把初始MRSI数据进行PCA分解,对得到的结果进行分析,最后确定可用的主成分个数,根据主成分个数确定波源数r;
步骤3:疾病分类学成像;
通过NMF,将得到的波源r作为X的每一组列向量,每种组织相对的空间分布作为S的行向量,利用之前得到的X中每种组织的波谱在整个PRESS框内应用非负最小二乘(NNLS),恢复出每种组织在整个PRESS框内的位置信息,形成图像。
进一步,所述步骤3中的图像定义方法:定义每种组织的新的空间分布为RGB图像中的一个彩色通道,用颜色深浅表示数据的恶性程度的高低;不含任何信息量的信号区域由于在RGB图中为(0,0,0),被显示为黑色。
进一步,为了使图像达到MRI图像的分辨率,在得到的RGB图像上使用20次双三次样条差值。
进一步,所述最小二乘公式:
对于上式中的最小二乘问题,利用Cramér-Rao下限理论并假设X的估计是准确的,能估计出第i个体素的线性组合系数si的标准误差的下限,si中所有r个元素的标准误差的平方的下限为公式中线性回归问题Fisher信息矩阵I的逆的对角元素,该Fisher信息矩阵I近似为σi 2(XTX)-1,其中σi 2为体素i中波谱的噪声方差,残余误差min||yi-Xsi||与自由度之商用来估计σi 2,则第i个体素处的标准误差的下限为:
其中,f为统计意义上的自由度,对PRESS框内每一个体素i,通过计算ai(ai为一个r维的向量)可以得到所有位置全部r种组织形式的标准方差的下限,然后将标准方差按照原始分布重新排列并进行差值,使其与疾病分类学图像分辨率一致。
所述步骤1用NMF算法以一种非监督的方式来得到疾病分类学图像。
本发明的有益效果是在不需要大量的训练波谱数据集的情况下就能得到疾病分类学图像。
附图说明
图1为本发明方法对不同病人脑部成像示意图。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
本发明提出一种非监督疾病分类学成像方法,该方法是利用NMF和PCA算法以一种非监督的方式从整个PRESS(点分辨波谱)框内得到疾病分类学图像,并通过在疾病分类学图像旁展示误差图来强调图像的可靠性。在不需要大量的训练波谱数据集的情况下就能得到疾病分类学图像。用图像处理技术来进行脑肿瘤的准确诊断。
本发明的方法步骤如下:
步骤1:采集MRSI数据上的NMF;
核磁共振谱成像(Magnetic Resonance Spectroscopy Imaging,MRSI)数据协议具有以下图像参数:区域选择采用PRESS序列;TR/TE=2000/35ms;FOV,16cm*16cm;VOI,8cm*8cm(最大尺寸);层厚,1cm;每一体素的体积,1cm*1cm;重建体积0.5cm*0.5cm;接收带宽,2000Hz;采样,2048;平均信号数量,1;水信号抑制方法:MOIST;匀场,笔形波束匀场;第一及第二阶,平行成像的SENSE参数:左-右,2;前-后1.8;10圈30mm的容积外饱和带以避免颅骨出引起的脂肪污染。在图像数据处理方面,非负矩阵分解(Non-negativeMatrixFactorization,NMF)算法。在从肿瘤组织中分离出正常组织方面是一种有效的工具,所以利用NMF来实现对MRSI数据的处理。下面是NMF算法的具体实现过程。
首先我们要在PRESS框内选取一个ROI(regionofinterest,感兴趣区域),同时保证这个区域内的信号质量是PRESS框内比较好的。对于选取的ROI中MRSI信号数据,定义一个矩阵Y,Y的每一个列向量为来自一个体素中的波。这样Y矩阵的每一列均为r个特定组织波谱(r即“波源”)的线性组合,于是便有以下分解:
n是ROI内提取的体素个数,而m则是每个体素中波的波谱长度。r是可以自由选取的。分解之后的X的每一列表示一个波源。S的每一行包含线性组合系数。NMF算法要求X,S中每个元素都是非负的。
然后通过分解之后的X取每一列就可以得到一种组织的波谱,而将S的每一行恢复至原来提取体素的ROI空间可以得到一种组织的空间分布。而X的每一行和S的每一列都是相对应的,即表示同一种组织。
步骤2:利用主成分分析(PCA)算法确定波源数;
脑肿瘤按照组织病理学检验标准可以分为I-IV级。其主成分即组织形式最多为3种,即正常组织,活跃生长的肿瘤组织,以及坏死。对每组MRSI数据到底有几种主成分是根据PCA算法来判定的,由PCA的结果来分析选择几个(2个或3个)主成分来确定波源数。
把初始MRSI数据进行PCA分解,对得到的结果进行分析,最后确定可用的主成分个数(即特征值较大的部分)来确定波源数r。
步骤3:疾病分类学成像;
通过NMF,将得到的波源r作为X的每一组列向量,每种组织相对的空间分布作为S的行向量,利用之前得到的X中每种组织的波谱在整个PRESS框内应用非负最小二乘(NNLS),恢复出每种组织在整个PRESS框内的位置信息。
定义每种组织的新的空间分布(已归一化,所有值均在0-1之间)为RGB图像中的一个彩色通道,如将坏死组织设为红色通道(若不存在,该通道设为0),肿瘤设为绿色通道,正常组织设为蓝色通道。红色区域颜色越深表示数据的恶性程度越高。不含任何信息量的信号区域(即一些区域的波谱噪声太大,无法被识别为任何组织形式)由于在RGB图中为(0,0,0),故自动被显示为黑色。通过这种方法,我们就可以将不同组织的空间分布图整合成一幅单独的图像,用不同颜色表示不同的组织,这一幅图像显示出了每种组织的位置信息和良恶性程度,由原来的单幅图像表示单个组织的信息变成现在的一幅图像表达了各种组织的信息,准确的把PRESS框内的数据信息变成图像信息表达出来。而这幅图像就是一个初步的疾病分类学成像。
各种组织空间分布图的分辨率与重建体素大小相一致。为了使我们的疾病分类学图像达到MRI图像的分辨率,在得到的RGB图像上使用20次双三次样条差值,最后使分辨率达到MRI的像素分辨率。
进一步,利用标准误差进行可靠度分析,对步骤3进行修正、完善,最后得到更准确、稳定的疾病分类学图像。
为了恢复出每种组织在整个PRESS框内的位置信息,需要利用之前得到的X中每种组织的波谱在整个PRESS框内应用非负最小二乘(NNLS)。因此对于每个体素yi,需要解决额外的非负最小二乘的问题:
si为每种波谱。对于式(2)式中的最小二乘问题,利用Cramér-Rao下限理论并假设X的估计是准确的,我们可以大概估计出第i个体素的线性组合系数si的标准误差的下限。si中所有r个元素的标准误差的平方的下限为(2)式中线性回归问题Fisher信息矩阵I的逆的对角元素。该Fisher信息矩阵I可以近似为σi 2(XTX)-1,其中σi 2为体素i中波谱的噪声方差。残余误差min||yi-Xsi||与自由度之商可以用来估计σi 2。则第i个体素处的标准误差的下限为:
其中,f为统计意义上的自由度。对PRESS框内每一个体素i,通过计算ai(ai为一个r维的向量)可以得到所有位置全部r种组织形式的标准方差的下限。
然后将标准方差按照原始分布重新排列并进行差值,使其与疾病分类学图像分辨率一致。最后对于每一幅疾病分类学图像可以得到一幅可靠性图像,对疾病分类学图像的可靠性进行补充说明。通过(3)式可以轻松地得到空间误差图像(实际上为一个由(XTX)-1对角元给出的函数σi 2),因此每种组织的误差图像都是尺度不同的相同图像。这表明,对于每一幅疾病分类学图像可以仅给出一幅误差图像,但是其颜色表示的数值范围对于每种组织形式是不同的。标准误差是通过以下形式表示出来的:将ai的值归一化后并按百分比的形式表示出来。
以上所述仅是对本发明的较佳实施方式而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施方式所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
下面列举具体实施例对本发明进行说明。
实施例1:对12个病人数据(包括6组GBM数据和6组II级胶质细胞瘤数据)分别进行实验,对每组实验数据,首先在ROI(感兴趣区域)内应用hNMF(对GBM病人)或1-levelNMF(对II级胶质细胞瘤病人)得到准确的波源,然后利用NNLS把每种组织的空间分布推广到大一些的PRESS框区域,以得到最终的疾病分类学RGB图像。
识别出的每种组织的准确性是通过下面两种方式进行验证的,一是视觉直观地比较恢复出来的波源与参考波谱;二是对恢复出来的波源和参考波谱进行定量的数值比较。下表1给出了每个病人的每种组织的相关系数R。
表1病人每种组织的相关系数
病人数据集 | normal | tumor | necrosis |
GBM | 0.99 | 0.95 | 1.00 |
GBM | 1.00 | 0.99 | 0.97 |
GBM | 0.96 | 0.90 | 1.00 |
GBM | 0.98 | 0.96 | 1.00 |
GBM | 0.96 | 0.97 | 1.00 |
GBM | 0.99 | 0.92 | 0.99 |
II级胶质细胞瘤 | 0.92 | 0.98 | |
II级胶质细胞瘤 | 0.98 | 0.98 | |
II级胶质细胞瘤 | 0.99 | 0.99 |
II级胶质细胞瘤 | 0.96 | 0.92 | |
II级胶质细胞瘤 | 0.94 | 0.98 | |
II级胶质细胞瘤 | 0.99 | 0.99 |
图1为每一个病人的情况,其中,每个黑色框内第一幅代表的是该PRESS框所在的感兴趣区域。第二幅代表的是在该PRESS内的疾病分类学成像结果,第三幅代表的是每种组织的最高标准误差和最低标准误差;C是正常组织,T是肿瘤组织,N是坏死组织。GBM代表胶质母细胞瘤病人,grade2glioma代表II级胶质细胞瘤病人。
Claims (5)
1.一种稳定的脑肿瘤非监督疾病分类学成像方法,其特征在于按照以下步骤进行:
步骤1:采集MRSI数据上的NMF;
在PRESS框内选取一个ROI,对于选取的ROI中MRSI信号数据,定义一个矩阵Y,Y的每一个列向量为来自一个体素中的波,这样Y矩阵的每一列均为r个波源的线性组合,进行以下分解:
步骤2:利用主成分分析(PCA)算法确定波源数;
脑肿瘤主成分按照组织病理学检验标准能分为正常组织,活跃生长的肿瘤组织,以及坏死组织三种,把初始MRSI数据进行PCA分解,对得到的结果进行分析,最后确定能用的主成分个数,根据主成分个数确定波源数r;
步骤3:疾病分类学成像;
通过NMF,将得到的波源r作为X的每一组列向量,每种组织相对的空间分布作为S的行向量,利用之前得到的X中每种组织的波谱在整个PRESS框内应用非负最小二乘(NNLS),恢复出每种组织在整个PRESS框内的位置信息,形成图像。
2.按照权利要求1所述一种稳定的脑肿瘤非监督疾病分类学成像方法,其特征在于:所述步骤3中的图像定义方法:定义每种组织的新的空间分布为RGB图像中的一个彩色通道,用颜色深浅表示数据的恶性程度的高低;不含任何信息量的信号区域由于在RGB图中为(0,0,0),被显示为黑色。
3.按照权利要求2所述一种稳定的脑肿瘤非监督疾病分类学成像方法,其特征在于:为了使图像达到MRI图像的分辨率,在得到的RGB图像上使用20次双三次样条差值。
4.按照权利要求1所述一种稳定的脑肿瘤非监督疾病分类学成像方法,其特征在于:所述最小二乘公式:
min||yi-Xsi|| over si≥0,
对于上式中的最小二乘问题,利用Cramér-Rao下限理论并假设X的估计是准确的,能估计出第i个体素的线性组合系数si的标准误差的下限,si中所有r个元素的标准误差的平方的下限为公式中线性回归问题Fisher信息矩阵I的逆的对角元素,该Fisher信息矩阵I近似为σi 2(XTX)-1,其中σi 2为体素i中波谱的噪声方差,残余误差min||yi-Xsi||与自由度之商用来估计σi 2,则第i个体素处的标准误差的下限为:
其中,f为统计意义上的自由度,对PRESS框内每一个体素i,通过计算ai(ai为一个r维的向量)能得到所有位置全部r种组织形式的标准方差的下限,然后将标准方差按照原始分布重新排列并进行差值,使其与疾病分类学图像分辨率一致。
5.按照权利要求1所述一种稳定的脑肿瘤非监督疾病分类学成像方法,其特征在于:所述步骤1用NMF算法以一种非监督的方式来得到疾病分类学图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510205004.8A CN104834935A (zh) | 2015-04-27 | 2015-04-27 | 一种稳定的脑肿瘤非监督疾病分类学成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510205004.8A CN104834935A (zh) | 2015-04-27 | 2015-04-27 | 一种稳定的脑肿瘤非监督疾病分类学成像方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104834935A true CN104834935A (zh) | 2015-08-12 |
Family
ID=53812812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510205004.8A Pending CN104834935A (zh) | 2015-04-27 | 2015-04-27 | 一种稳定的脑肿瘤非监督疾病分类学成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104834935A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485707A (zh) * | 2016-10-11 | 2017-03-08 | 中国科学院苏州生物医学工程技术研究所 | 基于脑核磁共振图像的多维特征分类算法 |
CN112241952A (zh) * | 2020-10-22 | 2021-01-19 | 平安科技(深圳)有限公司 | 大脑中线识别方法、装置、计算机设备及存储介质 |
CN113011462A (zh) * | 2021-02-22 | 2021-06-22 | 广州领拓医疗科技有限公司 | 瘤细胞图像的分类和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103006215A (zh) * | 2012-12-14 | 2013-04-03 | 中国科学院自动化研究所 | 基于局部平滑回归的脑功能区定位方法 |
CN104268885A (zh) * | 2014-10-07 | 2015-01-07 | 电子科技大学 | 一种基于nmf的mri和mrsi数据融合方法 |
CN104537642A (zh) * | 2014-12-08 | 2015-04-22 | 电子科技大学 | 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 |
-
2015
- 2015-04-27 CN CN201510205004.8A patent/CN104834935A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103006215A (zh) * | 2012-12-14 | 2013-04-03 | 中国科学院自动化研究所 | 基于局部平滑回归的脑功能区定位方法 |
CN104268885A (zh) * | 2014-10-07 | 2015-01-07 | 电子科技大学 | 一种基于nmf的mri和mrsi数据融合方法 |
CN104537642A (zh) * | 2014-12-08 | 2015-04-22 | 电子科技大学 | 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 |
Non-Patent Citations (1)
Title |
---|
李雨谦: "基于数据融合的综合识别方法研究", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485707A (zh) * | 2016-10-11 | 2017-03-08 | 中国科学院苏州生物医学工程技术研究所 | 基于脑核磁共振图像的多维特征分类算法 |
CN106485707B (zh) * | 2016-10-11 | 2019-05-28 | 中国科学院苏州生物医学工程技术研究所 | 基于脑核磁共振图像的多维特征分类方法 |
CN112241952A (zh) * | 2020-10-22 | 2021-01-19 | 平安科技(深圳)有限公司 | 大脑中线识别方法、装置、计算机设备及存储介质 |
CN112241952B (zh) * | 2020-10-22 | 2023-09-05 | 平安科技(深圳)有限公司 | 大脑中线识别方法、装置、计算机设备及存储介质 |
CN113011462A (zh) * | 2021-02-22 | 2021-06-22 | 广州领拓医疗科技有限公司 | 瘤细胞图像的分类和装置 |
CN113011462B (zh) * | 2021-02-22 | 2021-10-22 | 广州领拓医疗科技有限公司 | 瘤细胞图像的分类和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Erhardt et al. | Comparison of multi‐subject ICA methods for analysis of fMRI data | |
Allen et al. | Capturing inter-subject variability with group independent component analysis of fMRI data: a simulation study | |
Van Essen | A population-average, landmark-and surface-based (PALS) atlas of human cerebral cortex | |
Schwartzman et al. | Cross‐subject comparison of principal diffusion direction maps | |
CN103714536B (zh) | 基于稀疏表示的多模态磁共振图像的分割方法及装置 | |
Bridwell et al. | Spatiospectral decomposition of multi-subject EEG: evaluating blind source separation algorithms on real and realistic simulated data | |
Marzetti et al. | The use of standardized infinity reference in EEG coherency studies | |
Bordier et al. | Temporal and spatial independent component analysis for fMRI data sets embedded in the AnalyzeFMRI R package | |
CN101287410A (zh) | 脑功能分析方法及脑功能分析程序 | |
DE112013002597T5 (de) | Verfahren und System zur tomografischen Bildgebung | |
US20150243023A1 (en) | Method for analyzing functional mri brain images | |
Ma et al. | Capturing group variability using IVA: a simulation study and graph-theoretical analysis | |
Shi et al. | A novel fMRI group data analysis method based on data-driven reference extracting from group subjects | |
CN103793711A (zh) | 一种基于脑部核磁共振图像的多维度纹理提取方法 | |
CN104834935A (zh) | 一种稳定的脑肿瘤非监督疾病分类学成像方法 | |
Sui et al. | A method for accurate group difference detection by constraining the mixing coefficients in an ICA framework | |
Breuer et al. | Ocular and cardiac artifact rejection for real-time analysis in MEG | |
Rathi et al. | Detection and characterization of brain tumor using segmentation based on HSOM, wavelet packet feature spaces and ANN | |
Chen et al. | Magnetic resonance spectroscopy deep learning denoising using few in vivo data | |
CN107330948B (zh) | 一种基于流行学习算法的fMRI数据二维可视化方法 | |
Bharath et al. | Nonnegative canonical polyadic decomposition for tissue-type differentiation in gliomas | |
DE102017215444A1 (de) | Aufnahme von Trace-gewichteten Magnetresonanzbilddaten mit anisotropen Diffusionsrichtungen | |
Kang et al. | Simultaneous control of error rates in fMRI data analysis | |
DE102013224406A1 (de) | Verfahren zur Korrektur von Verzerrungen in Magnetresonanz-Diffusionsbildern | |
Zhou et al. | Double‐wavelet transform for multisubject task‐induced functional magnetic resonance imaging data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150812 |
|
WD01 | Invention patent application deemed withdrawn after publication |