CN107330276B - 神经影像图检索方法及装置 - Google Patents
神经影像图检索方法及装置 Download PDFInfo
- Publication number
- CN107330276B CN107330276B CN201710531629.2A CN201710531629A CN107330276B CN 107330276 B CN107330276 B CN 107330276B CN 201710531629 A CN201710531629 A CN 201710531629A CN 107330276 B CN107330276 B CN 107330276B
- Authority
- CN
- China
- Prior art keywords
- data source
- neuroimages
- preset
- matrix
- neural
- 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.)
- Active
Links
- 230000001537 neural effect Effects 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000011159 matrix material Substances 0.000 claims abstract description 85
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 description 10
- 208000024827 Alzheimer disease Diseases 0.000 description 9
- 238000002600 positron emission tomography Methods 0.000 description 9
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 239000000090 biomarker Substances 0.000 description 5
- 208000010877 cognitive disease Diseases 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 208000027061 mild cognitive impairment Diseases 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 4
- 208000014644 Brain disease Diseases 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 208000024806 Brain atrophy Diseases 0.000 description 2
- 206010061818 Disease progression Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000005750 disease progression Effects 0.000 description 2
- 210000004884 grey matter Anatomy 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000002610 neuroimaging Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- RJGYJMFQWGPBGM-UHFFFAOYSA-N 1,2,4-thiadiazinane 1,1-dioxide Chemical class O=S1(=O)CCNCN1 RJGYJMFQWGPBGM-UHFFFAOYSA-N 0.000 description 1
- AOYNUTHNTBLRMT-SLPGGIOYSA-N 2-deoxy-2-fluoro-aldehydo-D-glucose Chemical compound OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H](F)C=O AOYNUTHNTBLRMT-SLPGGIOYSA-N 0.000 description 1
- 206010003694 Atrophy Diseases 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- AYFVYJQAPQTCCC-UHFFFAOYSA-N Threonine Natural products CC(O)C(N)C(O)=O AYFVYJQAPQTCCC-UHFFFAOYSA-N 0.000 description 1
- 239000004473 Threonine Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 108010064539 amyloid beta-protein (1-42) Proteins 0.000 description 1
- 230000037444 atrophy Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000001638 cerebellum Anatomy 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- -1 threonine phosphorylated taurultam Chemical class 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Library & Information Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供的一种神经影像图检索方法及装置，涉及医疗技术领域。所述方法包括获取待检索的神经影像图；再对所述待检索的神经影像图进行多源特征提取，获得所述待检索的神经影像图对应的多个数据源特征；然后基于所述多个数据源特征、预设的特征选择矩阵及预设特征选择计算规则，获取所述多个数据源特征中的选择特征；将所述多个数据源特征中的选择特征带入预设的检索库进行检索，获得检索结果，以此实现从神经影像图的多源特征中提取选择特征到预设的检索库进行检索，提高检索性能。
Description
技术领域
本发明涉及医学技术领域，具体而言，涉及一种神经影像图检索方法及装置。
背景技术
阿尔兹海默病是一种全球普遍的疾病，在美国阿尔兹海默病为第六大致死疾病。预计到2050年，世界上每85人便有一人患有此疾病，给医疗机构和社会造成了沉重的负担，因此今年来受到越来越多的关注。根据阿尔兹海默病国际机构估计，到2050年，全球有1亿3150万将会患此疾病，而且大部分人无法获得及时的诊断和适当的医疗保障。开发自动化工具辅助诊断和治疗具有重要研究意义。出于这个原因，最近十年已经有无数的诊断和预测的方法被不断提出。目前为了加速阿尔兹海默病的诊断和治疗，脑疾病的影像检索起到了重要的作用，但是检索效果差，性能低。
发明内容
本发明的目的在于提供一种神经影像图检索方法及装置，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本发明实施例提供了一种神经影像图检索方法，所述方法包括获取待检索的神经影像图；对所述待检索的神经影像图进行多源特征提取，获得所述待检索的神经影像图对应的多个数据源特征；基于所述多个数据源特征、预设的特征选择矩阵及预设特征选择计算规则，获取所述多个数据源特征中的选择特征；将所述多个数据源特征中的选择特征带入预设的检索库进行检索，获得检索结果。
第二方面，本发明实施例提供了一种神经影像图检索装置，所述装置包括第一获取单元、第一提取单元、第二获取单元和检索单元。第一获取单元，用于获取待检索的神经影像图。第一提取单元，用于对所述第一获取单元获取的待检索的神经影像图进行多源特征提取，获得所述待检索的神经影像图对应的多个数据源特征。第二获取单元，用于基于所述第一提取单元获得的所述多个数据源特征、预设的特征选择矩阵及预设特征选择计算规则，获取所述多个数据源特征中的选择特征。检索单元，用于将所述第二获取单元获取的所述多个数据源特征中的选择特征带入预设的检索库进行检索，获得检索结果。
本发明实施例提供的一种神经影像图检索方法及装置，获取待检索的神经影像图；再对所述待检索的神经影像图进行多源特征提取，获得所述待检索的神经影像图对应的多个数据源特征；然后基于所述多个数据源特征、预设的特征选择矩阵及预设特征选择计算规则，获取所述多个数据源特征中的选择特征；将所述多个数据源特征中的选择特征带入预设的检索库进行检索，获得检索结果，以此实现从神经影像图的多源特征中提取选择特征到预设的检索库进行检索，提高检索性能。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的电子设备的结构框图；
图2为本发明第一实施例提供的神经影像图检索方法的流程图；
图3为本发明第一实施例提供的神经影像图检索方法的子流程图；
图4为本发明第二实施例提供的神经影像图检索装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
图1示出了一种可应用于本发明实施例中的电子设备100的结构框图。如图1所示，电子设备100可以包括存储器102、存储控制器104、一个或多个(图1中仅示出一个)处理器106、外设接口108、输入输出模块110、音频模块112、显示模块114、射频模块116和神经影像图检索装置。
存储器102、存储控制器104、处理器106、外设接口108、输入输出模块110、音频模块112、显示模块114、射频模块116各元件之间直接或间接地电连接，以实现数据的传输或交互。例如，这些元件之间可以通过一条或多条通讯总线或信号总线实现电连接。神经影像图检索方法分别包括至少一个可以以软件或固件(firmware)的形式存储于存储器102中的软件功能模块，例如所述神经影像图检索装置包括的软件功能模块或计算机程序。
存储器102可以存储各种软件程序以及模块，如本申请实施例提供的神经影像图检索方法及装置对应的程序指令/模块。处理器106通过运行存储在存储器102中的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现本申请实施例中的神经影像图检索方法。
存储器102可以包括但不限于随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
处理器106可以是一种集成电路芯片，具有信号处理能力。上述处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述外设接口108将各种输入/输入装置耦合至处理器106以及存储器102。在一些实施例中，外设接口108、处理器106以及存储控制器104可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
输入输出模块110用于提供给用户输入数据实现用户与电子设备100的交互。所述输入输出模块110可以是，但不限于，鼠标和键盘等。
音频模块112向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。
显示模块114在电子设备100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示模块114可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器106进行计算和处理。
射频模块116用于接收以及发送电磁波，实现电磁波与电信号的相互转换，从而与通信网络或者其他设备进行通信。
可以理解，图1所示的结构仅为示意，电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
于本发明实施例中，电子设备100可以作为用户终端，或者作为服务器。用户终端可以为PC(personal computer)电脑、平板电脑、手机、笔记本电脑、智能电视、机顶盒、车载终端等终端设备。
第一实施例
请参阅图2，本发明实施例提供了一种神经影像图检索方法，所述方法包括步骤S250、步骤S260、步骤S270和步骤S280。
步骤S250：获取待检索的神经影像图。
步骤S260：对所述待检索的神经影像图进行多源特征提取，获得所述待检索的神经影像图对应的多个数据源特征。
多个数据源特征可以为不同的来源提取的特征，可以包括从核磁共振成像、正电子发射断层扫描、脑脊髓液生物学标记物等各技术提取的多个特征。对于待检索的神经影像图，从核磁共振成像中提取至少一个特征，从正电子发射断层扫描中提取至少一个特征，从脑脊髓液生物学标记物中提取至少一个特征。结合多源数据可以提供互补的新，例如，核磁共振成像可以提供脑萎缩信息、正电子发射断层扫描功能成像能够揭示低代谢水平，脑脊液特征可以量化地提供脑萎缩信息，保持各源不同的特点有助于脑部疾病的诊断。
步骤S270：基于所述多个数据源特征、预设的特征选择矩阵及预设特征选择计算规则，获取所述多个数据源特征中的选择特征。
基于步骤S270，进一步，将所述多个数据源特征整合为一个矩阵，再将该矩阵乘以所述预设的特征选择矩阵，计算结果获得所述多个数据源特征中的选择特征。
步骤S280：将所述多个数据源特征中的选择特征带入预设的检索库进行检索，获得检索结果。
进一步地，预设的检索库包括进行性轻度认知障碍、稳定型轻度认知障碍、阿尔孜海默病、正常等神经影像图的特征，将所述多个数据源特征中的选择特征带入预设的检索库中遍历检索，获得检索结果。
请参阅图3，在步骤S250之前，为了获取预设的特征选择矩阵和预设的检索库，所述方法还可以包括步骤S200、步骤S210、步骤S220、步骤S230和步骤S240。
步骤S200：获取多个神经影像图及所述多个神经影像图各自对应的标签信息。
步骤S210：分别对所述多个神经影像图进行多源特征提取，获得所述多个神经影像图各自对应的多个数据源特征。
阿尔兹海默病神经影像倡议数据库(www.loni.UCLA.edu/ADNI)是一个世界性的、开放式的数据库。它提供了扫描成像和可靠的临床数据作为预测数据，来研究如何诊断、预测、预防和治疗阿尔兹海默病。阿尔兹海默病神经影像倡议数据库包含多个数据源，例如核磁共振成像、正电子发射断层扫描、脑脊髓液生物学标记物，保持各源不同的特点有助于脑补疾病的诊断。T1加权核磁共振成像数据用1.5T磁共振扫描仪提取，正电子发射断层显像用18氟-脱氧葡萄糖正电子发射断层扫描提取。核磁共振成像特征是基于区域的体素，因为这种特征能够识别大脑的萎缩。正电子发射断层扫描数据有类似的处理过程，不同的是基于由功能变化引起的信号变化。标准的预处理程序用于提取各自的核磁共振成像和正电子发射断层扫描特征，如前连合、后连合矫正，头骨剥离，去除小脑，分割得到灰质、白质和脑脊液。
每个受试者的脑图像通过映射模板被分割成了93个区域。每个感兴趣区域的平均灰质组织体素作为磁共振成像的提取特征，每个感兴趣区域的平均强度作为正电子发送断层扫描的提取特征。对于脑脊液生物学标记物，它包含基线β-淀粉样蛋白1-42，苏氨酸磷酸化滔蛋白181和总磷酸化滔蛋白的数据。
在本实施例中，共有805名受试者，包括186例阿尔兹曼海默病患者、226例正常对照、167例进阶型轻度认知障碍患者(该受试者的病情进展在18个月内是激进的)和226例稳定型轻度认知障碍患者(该受试者的病情进展在18个月内是稳定的)。从某种程度上来说，轻度认知障碍是介于正常老化和阿尔兹海默病之间的中间阶段。对于每个受试者，获取该受试者的神经影像图，从核磁共振成像中提取了93个特征，从正电子发射断层扫描中提取93个特征，从脑脊髓液生物学标记物中提取了3个特征，一共93+93+3＝189个数据源特征。同理，针对805名受试者，获得所述多个神经影像图各自对应的多个数据源特征。所述多个神经影像图为805个受试者的脑图像，每个神经影像图各自对应有189个数据源特征。
在本实施例中，将矩阵A的转置算子和矩阵的迹分别用AT，Tr(A)表示。它的第i行和第j行分别用xi和xj表示。定义矩阵A的l2,1范数和弗罗贝尼乌斯方法范数分别用
和
表示。l2,p范数用
表示。X＝{x1；x2；…；xN}，表示N个神经影像图的F维特征空间。
表示每个神经影像图对应的标签信息。假设响应值和标签新可以由特征的线性组合表示。因此可以通过以下公式的最小二乘法分类模型表达：
对于多源特征的情况，假设有M源的第i个神经影像图，每个神经影像图的新特征表示为
多源特征表示为
D表示全源数据的特征维数。
骤S220：基于所述多个神经影像图各自对应的多个数据源特征及预设相似计算规则，获得所述多个神经影像图各自对应的多个数据源特征相互之间对应的相似矩阵。
每种数据源都有一个无向图：G(m)＝{X(m),S(m)}，X(m)表示第m源数据的特征矩阵，
表示由热核导出的相似矩阵。
进一步地，基于获得所述多个神经影像图各自对应的多个数据源特征相互之间对应的相似矩阵；
其中，
为第i个神经影像图与第j个神经影像各自对应的第m个数据源对应的相似矩阵，为第i个神经影像图对应的第m个数据源特征，
为第i个神经影像图的K-最近邻，
为第j个神经影像图对应的第m个数据源特征，
为第j个神经影像图的K-最近邻，t为预设参数。
步骤S230：基于所述多个神经影像图各自对应的多个数据源特征各自对应的相似矩阵、所述多个神经影像图各自对应的标签信息及预设正则项规则，获取所述多个神经影像图对应的正则化信息。
第m源数据的特征空间流行结构表示为：
每种源数据的贡献只是简单地统一在一个框架内，以实现多源数据集成的目的。其结果是，处理每种源数据具有相同的重量和贡献，忽略了互补的属性的多个源数据。因此，这个方法是无法识别最有信息量的特征，用来特征选择。显然，多源数据保留了各种疾病特征，赋予了特定目标不平等的信息能力，它包括多个数据源之间的独特属性。为了保持每个模态的局部信息并协同增强多模态间的作用，在每个模态上加上非负的权重，即：
在一般情况下，较大的权重意味着更多贡献相应的源数据信息。第m源数据最多贡献α(m)＝1，最少为α(m)＝0。
进一步地，基于
获得所述多个神经影像图对应的正则化信息；
其中，
为所述多个神经影像图对应的正则化信息，
为第i个神经影像图与第j个神经影像各自对应的第m个数据源对应的相似矩阵，yi为第i个神经影像图对应的标签信息，α(m)为第m个数据源对应的权重系数。
步骤S240：将所述正则化信息、所述多个神经影像图各自对应的标签信息及所述多个神经影像各自对应的多个数据源特征带入预设目标函数进行计算，获得所述预设的特征选择矩阵。
预设的目标函数为：
进行计算，使得式(1)的值尽可能的小，获得预设的特征选择矩阵，
为所述多个神经影像图对应的正则化信息，Y为所述多个神经影像图各自对应的标签信息，X(m)为所述多个神经影像各自对应的第m个数据源特征，W为所述预设的特征选择矩阵，λ1为预设控制参数，min(a)表示取(a)的最小值。
为了保持稀疏的训练数据结构，采用一个通用的l2,p范数取代l2,1范数来得到特征选择矩阵，表示为：
l2,p为一个通用范数的表示，可以发现p值的最优解。因此，基于不同的目的，通过调整p值可以使用各种正则化。在式(1)中引入一种通过l2,p自适应的学习方式，结合式(2)，表示为：
式(3)中，||·||2,p是一个l2,p范数(0<p<2)，λ2为预设常数，控制l2,p稀疏约束。通过调整p的值，挖掘多源数据内在的共同信息，能够在各种检索任务中获得一个显著的分类。参数p可以调节稀疏度，桶的p表示不同来源的相关性程度。比如p→0，l2,p范数接近于W的非零行的总数，优选采用较小的p值，W越接近矩阵的低秩。若p值增加到2，则没有各种数据源之间的共同信息，这意味着没有稀疏度的选择。因此，引入稀疏范数，以确定共同的结构信息。
作为一种实施方式，进一步地，为了优化特征选择矩阵W，基于步骤S240，分别将预设的对角矩阵减去所述多个神经影像图各自对应的多个数据源特征各自对应的相似矩阵，获得所述多个神经影像图各自对应的多个数据源特征各自对应的拉普拉斯矩阵；
基于所述多个神经影像图各自对应的多个数据源特征各自对应的拉普拉斯矩阵、所述多个神经影像图各自对应的标签信息以及预设转换规则，将所述正则化信息转换为迹信息；
将所述迹信息、所述多个神经影像图各自对应的标签信息及所述多个神经影像图各自对应的多个数据源特征带入所述预设目标函数对应的转换式进行迭代计算，获得所述特征选择矩阵。
具体地，式(3)中，第m源数据的特征空间流行结构：
式(4)中，L(m)为第m数据源特征对应的拉普拉斯矩阵，L(m)＝D(m)-S(m)，D(m)为预设的对角矩阵，它的非零元素是S(m)的列概况，S(m)为相似矩阵，式(4)中为所述迹信息。
进一步地，式(3)中，为了优化非平滑凸项
将
转换为Tr(WTQW)，迭代优化Tr(WTQW)中的W和Q。
是一个对角矩阵，它的第i对角项表示为：
表达式(5)中，引入一个小的偏移防止分母wi可能为零。基于以上，式(3)转换式(6)：
式(6)为所述预设目标函数对应的转换式，为了求解式(6)，点最优解是必要的，由于Q和W的相互依赖，采用迭代方法交替计算Q和W。在第t次迭代中，矩阵Wt通过Qt-1更新，矩阵Qt通过矩阵Wt更新。将式(6)中关于W的导数设置为0，得到W的最优解。推导后，可以得到：
进一步，转换为：
方程(8)是可解的，在封闭的形式和重写为：
AW＝Z (9)
式(9)中，
Z＝XYT，通过求解(9)可以得到W。则预设的检索库包括XW和X对应的标签信息。
具体求解式(6)中的W过程伪代码示意如下：
输入：
多数据源矩阵
多数据源权重α(m),m＝1,2,...,M，正则项参数λ1,λ2，p(0<p<2)，迭代次数t；
输出：
W；
初始化t＝0，设置Qt为一个单位矩阵；
循环m＝1到M
根据式(4)构造矩阵
结束且令
重复
Wt＝[ν1,...,νc]，其中ν1,...,νc表示At的特征向量，即前c个非零最小特征值。
通过求解公式(9)中的简单等式更新W。
更新对角矩阵：
直到(6)收敛。
本发明实施例提供了一种神经影像检索方法，获取待检索的神经影像图；再对所述待检索的神经影像图进行多源特征提取，获得所述待检索的神经影像图对应的多个数据源特征；然后基于所述多个数据源特征、预设的特征选择矩阵及预设特征选择计算规则，获取所述多个数据源特征中的选择特征；将所述多个数据源特征中的选择特征带入预设的检索库进行检索，获得检索结果，以此实现从神经影像图的多源特征中提取选择特征到预设的检索库进行检索，提高检索性能。
第二实施例
请参阅图4，本发明实施例提供了一种神经影像图检索装置300，所述装置300包括第一获取单元360、第一提取单元370、第二获取单元380和检索单元390。
第一获取单元360，用于获取待检索的神经影像图。
第一提取单元370，用于对所述第一获取单元360获取的待检索的神经影像图进行多源特征提取，获得所述待检索的神经影像图对应的多个数据源特征。
第二获取单元380，用于基于所述第一提取单元370获得的所述多个数据源特征、预设的特征选择矩阵及预设特征选择计算规则，获取所述多个数据源特征中的选择特征。
检索单元390，用于将所述第二获取单元380获取的所述多个数据源特征中的选择特征带入预设的检索库进行检索，获得检索结果。
所述装置还包括第三获取单元310、第二提取单元320、相似矩阵获得单元330、正则化单元340和计算单元350。
第三获取单元310，用于获取多个神经影像图及所述多个神经影像图各自对应的标签信息。
第二提取单元320，用于分别对所述多个神经影像图进行多源特征提取，获得所述多个神经影像图各自对应的多个数据源特征。
相似矩阵获得单元330，用于基于所述多个神经影像图各自对应的多个数据源特征及预设相似计算规则，获得所述多个神经影像图各自对应的多个数据源特征相互之间对应的相似矩阵。
相似矩阵获得单元330可以包括矩阵获得子单元331。
矩阵获得子单元331，用于：
基于
获得所述多个神经影像图各自对应的多个数据源特征相互之间对应的相似矩阵；
其中，
为第i个神经影像图与第j个神经影像各自对应的第m个数据源对应的相似矩阵，
为第i个神经影像图对应的第m个数据源特征，
为第i个神经影像图的K-最近邻，
为第j个神经影像图对应的第m个数据源特征，
为第j个神经影像图的K-最近邻，t为预设参数。
正则化单元340，用于基于所述多个神经影像图各自对应的多个数据源特征各自对应的相似矩阵、所述多个神经影像图各自对应的标签信息及预设正则项规则，获取所述多个神经影像图对应的正则化信息。
正则化单元340可以包括正则化子单元341。
正则化子单元341，用于基于获得所述多个神经影像图对应的正则化信息；
其中，
为所述多个神经影像图对应的正则化信息，
为第i个神经影像图与第j个神经影像各自对应的第m个数据源对应的相似矩阵，yi为第i个神经影像图对应的标签信息，α(m)为第m个数据源对应的权重系数。
计算单元350，用于将所述正则化信息、所述多个神经影像图各自对应的标签信息及所述多个神经影像各自对应的多个数据源特征带入预设目标函数进行计算，获得所述预设的特征选择矩阵。
所述计算单元350可以包括拉普矩阵获得子单元351、转换子单元352和计算子单元353。
拉普矩阵获得子单元351，用于分别将预设的对角矩阵减去所述多个神经影像图各自对应的多个数据源特征各自对应的相似矩阵，获得所述多个神经影像图各自对应的多个数据源特征各自对应的拉普拉斯矩阵。
转换子单元352，用于基于所述多个神经影像图各自对应的多个数据源特征各自对应的拉普拉斯矩阵、所述多个神经影像图各自对应的标签信息以及预设转换规则，将所述正则化信息转换为迹信息。
计算子单元353，用于将所述迹信息、所述多个神经影像图各自对应的标签信息及所述多个神经影像图各自对应的多个数据源特征带入所述预设目标函数对应的转换式进行迭代计算，获得所述特征选择矩阵。
以上各单元可以是由软件代码实现，此时，上述的各单元可存储于存储器102内。以上各单元同样可以由硬件例如集成电路芯片实现。
本发明实施例提供的神经影像图检索装置300，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (6)
1.一种神经影像图检索方法，其特征在于，所述方法包括：
获取待检索的神经影像图；
对所述待检索的神经影像图进行多源特征提取，获得所述待检索的神经影像图对应的多个数据源特征；
基于所述多个数据源特征、预设的特征选择矩阵及预设特征选择计算规则，获取所述多个数据源特征中的选择特征；
将所述多个数据源特征中的选择特征带入预设的检索库进行检索，获得检索结果；
其中，在所述获取待检索的神经影像图之前，所述方法还包括：
获取多个神经影像图及所述多个神经影像图各自对应的标签信息；
分别对所述多个神经影像图进行多源特征提取，获得所述多个神经影像图各自对应的多个数据源特征；
基于所述多个神经影像图各自对应的多个数据源特征及预设相似计算规则，获得所述多个神经影像图各自对应的多个数据源特征相互之间对应的相似矩阵；
基于所述多个神经影像图各自对应的多个数据源特征各自对应的相似矩阵、所述多个神经影像图各自对应的标签信息及预设正则项规则，获取所述多个神经影像图对应的正则化信息；
将所述正则化信息、所述多个神经影像图各自对应的标签信息及所述多个神经影像各自对应的多个数据源特征带入预设目标函数进行计算，获得所述预设的特征选择矩阵；
其中，将所述正则化信息、所述多个神经影像图各自对应的标签信息及所述多个神经影像各自对应的多个数据源特征带入预设目标函数进行计算，获得所述预设的特征选择矩阵，包括：
分别将预设的对角矩阵减去所述多个神经影像图各自对应的多个数据源特征各自对应的相似矩阵，获得所述多个神经影像图各自对应的多个数据源特征各自对应的拉普拉斯矩阵；
基于所述多个神经影像图各自对应的多个数据源特征各自对应的拉普拉斯矩阵、所述多个神经影像图各自对应的标签信息以及预设转换规则，将所述正则化信息转换为迹信息；
将所述迹信息、所述多个神经影像图各自对应的标签信息及所述多个神经影像图各自对应的多个数据源特征带入所述预设目标函数对应的转换式进行迭代计算，获得所述特征选择矩阵。
2.根据权利要求1所述的方法，其特征在于，所述基于所述多个神经影像图各自对应的多个数据源特征及预设相似计算规则，获得所述多个神经影像图各自对应的多个数据源特征相互之间对应的相似矩阵，包括：
基于
获得所述多个神经影像图各自对应的多个数据源特征相互之间对应的相似矩阵；
其中，
为第i个神经影像图与第j个神经影像各自对应的第m个数据源对应的相似矩阵，为第i个神经影像图对应的第m个数据源特征，
为第i个神经影像图的K-最近邻，为第j个神经影像图对应的第m个数据源特征，为第j个神经影像图的K-最近邻，t为预设参数。
3.根据权利要求1所述的方法，其特征在于，所述基于所述多个神经影像图各自对应的多个数据源特征各自对应的相似矩阵、所述多个神经影像图各自对应的标签信息及预设正则项规则，获取所述多个神经影像图对应的正则化信息，包括：
基于
获得所述多个神经影像图对应的正则化信息；
其中，
为所述多个神经影像图对应的正则化信息，
为第i个神经影像图与第j个神经影像各自对应的第m个数据源对应的相似矩阵，yi为第i个神经影像图对应的标签信息，α(m)为第m个数据源对应的权重系数；其中，M表示所述数据源的个数。
4.一种神经影像图检索装置，其特征在于，所述装置包括：
第一获取单元，用于获取待检索的神经影像图；
第一提取单元，用于对所述第一获取单元获取的待检索的神经影像图进行多源特征提取，获得所述待检索的神经影像图对应的多个数据源特征；
第二获取单元，用于基于所述第一提取单元获得的所述多个数据源特征、预设的特征选择矩阵及预设特征选择计算规则，获取所述多个数据源特征中的选择特征；
检索单元，用于将所述第二获取单元获取的所述多个数据源特征中的选择特征带入预设的检索库进行检索，获得检索结果；
其中，所述装置还包括：
第三获取单元，用于获取多个神经影像图及所述多个神经影像图各自对应的标签信息；
第二提取单元，用于分别对所述多个神经影像图进行多源特征提取，获得所述多个神经影像图各自对应的多个数据源特征；
相似矩阵获得单元，用于基于所述多个神经影像图各自对应的多个数据源特征及预设相似计算规则，获得所述多个神经影像图各自对应的多个数据源特征相互之间对应的相似矩阵；
正则化单元，用于基于所述多个神经影像图各自对应的多个数据源特征各自对应的相似矩阵、所述多个神经影像图各自对应的标签信息及预设正则项规则，获取所述多个神经影像图对应的正则化信息；
计算单元，用于将所述正则化信息、所述多个神经影像图各自对应的标签信息及所述多个神经影像各自对应的多个数据源特征带入预设目标函数进行计算，获得所述预设的特征选择矩阵；
其中，所述计算单元包括：
拉普矩阵获得子单元，用于分别将预设的对角矩阵减去所述多个神经影像图各自对应的多个数据源特征各自对应的相似矩阵，获得所述多个神经影像图各自对应的多个数据源特征各自对应的拉普拉斯矩阵；
转换子单元，用于基于所述多个神经影像图各自对应的多个数据源特征各自对应的拉普拉斯矩阵、所述多个神经影像图各自对应的标签信息以及预设转换规则，将所述正则化信息转换为迹信息；
计算子单元，用于将所述迹信息、所述多个神经影像图各自对应的标签信息及所述多个神经影像图各自对应的多个数据源特征带入所述预设目标函数对应的转换式进行迭代计算，获得所述特征选择矩阵。
5.根据权利要求4所述的装置，其特征在于，所述相似矩阵获得单元包括：
矩阵获得子单元，用于基于
获得所述多个神经影像图各自对应的多个数据源特征相互之间对应的相似矩阵；
其中，
为第i个神经影像图与第j个神经影像各自对应的第m个数据源对应的相似矩阵，
为第i个神经影像图对应的第m个数据源特征，为第i个神经影像图的K-最近邻，
为第j个神经影像图对应的第m个数据源特征，
为第j个神经影像图的K-最近邻，t为预设参数。
6.根据权利要求4所述的装置，其特征在于，所述正则化单元包括：
正则化子单元，用于基于获得所述多个神经影像图对应的正则化信息；
其中，
为所述多个神经影像图对应的正则化信息，为第i个神经影像图与第j个神经影像各自对应的第m个数据源对应的相似矩阵，yi为第i个神经影像图对应的标签信息，α(m)为第m个数据源对应的权重系数；其中，M表示所述数据源的个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710531629.2A CN107330276B (zh) | 2017-07-03 | 2017-07-03 | 神经影像图检索方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710531629.2A CN107330276B (zh) | 2017-07-03 | 2017-07-03 | 神经影像图检索方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107330276A CN107330276A (zh) | 2017-11-07 |
| CN107330276B true CN107330276B (zh) | 2020-01-10 |
Family
ID=60198717
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710531629.2A Active CN107330276B (zh) | 2017-07-03 | 2017-07-03 | 神经影像图检索方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107330276B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109215780B (zh) * | 2018-08-24 | 2022-05-31 | 齐鲁工业大学 | 高拉普拉斯正则化低秩表示的多模态数据分析方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103678552A (zh) * | 2013-12-05 | 2014-03-26 | 武汉大学 | 基于显著区域特征的遥感影像检索方法及系统 |
| CN103810252A (zh) * | 2014-01-21 | 2014-05-21 | 南京信息工程大学 | 一种基于群稀疏特征选择的图像检索方法 |
| CN106294550A (zh) * | 2016-07-22 | 2017-01-04 | 黎海纤 | 一种遥感图像智能检索方法 |
-
2017
- 2017-07-03 CN CN201710531629.2A patent/CN107330276B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103678552A (zh) * | 2013-12-05 | 2014-03-26 | 武汉大学 | 基于显著区域特征的遥感影像检索方法及系统 |
| CN103810252A (zh) * | 2014-01-21 | 2014-05-21 | 南京信息工程大学 | 一种基于群稀疏特征选择的图像检索方法 |
| CN106294550A (zh) * | 2016-07-22 | 2017-01-04 | 黎海纤 | 一种遥感图像智能检索方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107330276A (zh) | 2017-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ahmedt-Aristizabal et al. | Graph-based deep learning for medical diagnosis and analysis: past, present and future | |
| CN109345575B (zh) | 一种基于深度学习的图像配准方法及装置 | |
| Yamanakkanavar et al. | MRI segmentation and classification of human brain using deep learning for diagnosis of Alzheimer’s disease: a survey | |
| Dinov | Volume and value of big healthcare data | |
| Sun et al. | Anatomical attention guided deep networks for ROI segmentation of brain MR images | |
| Massafra et al. | Radiomic feature reduction approach to predict breast cancer by contrast-enhanced spectral mammography images | |
| Yazdani et al. | Image segmentation methods and applications in MRI brain images | |
| Khagi et al. | Pixel‐Label‐Based Segmentation of Cross‐Sectional Brain MRI Using Simplified SegNet Architecture‐Based CNN | |
| Reza et al. | Multi-fractal texture features for brain tumor and edema segmentation | |
| Naik et al. | Denouements of machine learning and multimodal diagnostic classification of Alzheimer’s disease | |
| CN109460756B (zh) | 医学影像处理方法、装置、电子设备及计算机可读介质 | |
| Rajchl et al. | Hierarchical max-flow segmentation framework for multi-atlas segmentation with Kohonen self-organizing map based Gaussian mixture modeling | |
| Shen et al. | Breast mass detection from the digitized X-ray mammograms based on the combination of deep active learning and self-paced learning | |
| Khajehnejad et al. | Alzheimer’s disease early diagnosis using manifold-based semi-supervised learning | |
| Abedini et al. | A generalized framework for medical image classification and recognition | |
| CN115131642A (zh) | 一种基于多视子空间聚类的多模态医学数据融合系统 | |
| CN108135520A (zh) | 从功能性大脑图像生成心理内容的自然语言表示 | |
| Chen et al. | A segmentation of brain MRI images utilizing intensity and contextual information by Markov random field | |
| Caponetti et al. | MR brain image segmentation: a framework to compare different clustering techniques | |
| Saladi et al. | Segmentation and analysis emphasizing neonatal MRI brain images using machine learning techniques | |
| CN110570425B (zh) | 一种基于深度强化学习算法的肺结节分析方法及装置 | |
| Cheng et al. | Multi-auxiliary domain transfer learning for diagnosis of MCI conversion | |
| CN111199801B (zh) | 一种用于识别病历的疾病类型的模型的构建方法及应用 | |
| Mullan et al. | Visual attribution for deep learning segmentation in medical imaging | |
| Zhang et al. | LESA: Longitudinal elastic shape analysis of brain subcortical structures |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20171122 Address after: 518000 Nanhai Road, Guangdong, Shenzhen, No. 3688, No. Applicant after: Shenzhen University Address before: 518000 Guangdong city of Shenzhen province Nanshan District Taoyuan Road No. 5 neighboring apartment building A 2926 Applicant before: Lei Baiying |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |