CN107590806B - 一种基于大脑医学成像的检测方法和系统 - Google Patents

Abstract

本发明属于医学技术领域，公开了一种基于大脑医学成像的检测方法和系统，使用机器学习算法自动提取大脑各区域的图形特征；使用机器学习以提取的图像特征为依据判定诊断结果；大脑医学成像的检测系统包括：大脑图像数据库，相关图像特征库，图像特征提取模块，诊断模块，人机交互界面。本发明实施例提供的基于大脑医学成像的检测方法中，图像特征自动提取算法使用机器学习算法自动提取大脑各区域的图形特征；诊断算法使用机器学习以图像特征为依据提供诊断结果以及诊断依据。

Description

一种基于大脑医学成像的检测方法和系统

技术领域

本发明属于医学技术领域，尤其涉及一种基于大脑医学成像的检测方法和系统。

背景技术

目前对大脑疾病的临床诊断通常都会辅以非侵入式成像的大脑图像。但是大脑图像的分析与诊断需要花费相关疾病专家的大量时间和精力，且诊断结果易受主观因素影响。首先，大脑疾病所导致的大脑图像差异通常较小，且仅存在于图像的某一个或多个特定位置，因此，从三维大脑图像中找出这些病变位置需要花费大量时间。其次，大脑结构存在个体差异，准确区分个体差异与病变导致的差异也是一个难题，容易受专家个人经验以及主观因素影像。怎样准确快速的分析磁共振图像仍是一项急需解决的难题。

基于数据挖掘和机器学习的方法具有解决这一难题的潜力。目前已有多种基于计算机算法的大脑图像分析方法。常用的方法有以像素为基本分析单元的VBM方法，以大脑各结构位移为基本分析单元的TBM方法，以手工提取的图像高层特征为基本分析单元的FBM方法等。对基本分析单元可以使用各种统计模型或机器学习模型，如贝叶斯分析，最近邻算法，神经网络，深度学习等

然而目前已有的算法尚不能有效处理实际应用中需要面临的问题。

VBM方法基于图像亮度变换进行对比分析，该方法是目前应用最广泛的方法之一。但是，该方法对大脑扫描仪器型号以及参数设置很敏感，因此不利于综合多个不同医院的数据进行模型训练与测试。另一方面，该方法依赖于大脑每个点(或称为体素)都于模板大脑严格对齐，然后实际应用中，对齐算法常常不能有效区分病变导致的体素差异和图像未对齐而导致的体素差异。强制对每个体素进行对齐会导致病变信息的丢失。

TBM方法基于大脑结构位移进行对比分析，而大脑结构位移的计算同样需要对大脑进行非线性严格对齐，因此具有与VBM类似的缺陷。

FBM方法基于SIFT图像特征，对图像亮度变换不敏感，克服了VBM和TBM方法的缺陷，但是，该方法提取的SIFT图像特征需要使用一种Bag-of-words的算法进行图像分析，而bag-of-words的缺陷就是不能充分利用图像特征的位置信息，不利于提高诊断准确率。

发明专利CN104361318A用于分析弥散张量成像技术获取的磁共振图像。该方法利用张量分析的方法取代常用的向量分析方法，从而充分利用张量成像图像中的信息。而此专利的方法使用一种特殊的图像特征提取方法，将图像特征转换为一种更利于向量机器学习方法处理的数据。此专利的方法将适用于包括弥散张量图像在内的各种不同的磁共振图像。

综上所述，现有技术存在的问题是：

传统算法能有效处理图像特征的位置信息，但是存在对图像亮度敏感的缺陷，FBM对图像亮度不敏感，但是不能有效利用图像特征的位置信息。大脑医学图像处理的难点问题就在于如何设计一种对图像亮度变化不敏感同时又能有效地对位置信息进行编码和处理的图像特征。

发明内容

针对现有技术存在的问题，本发明提供了一种基于大脑医学成像的检测方法和系统。

本发明是这样实现的，通过使用基于梯度的图像特征并对每个大脑区块分别进行分析，从而结合了基于特征的FBM方法以及传统VBM等方法的优点。通过叠加使用两步机器学习算法实现了对大脑的有效分层分析。具体来说，本发明提出一种基于大脑医学成像的检测方法，所述基于大脑医学成像的检测方法使用机器学习算法自动提取大脑各区域的图形特征；使用机器学习以提取的图像特征为依据判定诊断结果。

进一步，所述基于大脑医学成像的检测方法具体包括：

获取并预处理大脑扫描图像；

将大脑图像分为多个区块；

从每个区块提取一个图像特征向量；

用无监督机器学习将每个区块的高维特征向量压缩为一维数值；

将各区块的一维数值表示连接为一个向量，作为整个大脑图像的向量描述；

用有监督机器学习，以大脑向量为输入，进行图像预测。

进一步，所述从每个区块提取一个图像特征向量的步骤包括：

对不同大脑使用如下十二参数的仿射变换初步对齐到标准大脑模版；

其中，x_a，y_a，z_a为转换之后每个点的坐标，x，y，z为转换之前每个点的坐标，m_ij和b_i(i＝1,2,3，j＝1,2,3)为转换参数。转换参数可使用现有开放软件如SPM等计算得到。大脑模板可以使用标准模板，如MNI，ICBM等。本发明作为一种通用方法，用户可以选择任何适合当地人大脑大小及结构的模板。

将已对齐大脑扫描图像均匀划分为能覆盖完整图像的多个三维长方体或球体区块，区块之间可以部分重叠；

利用图像特征提取算法将每个区块的像素亮度转换为图像特征描述，每个特诊描述都可以表示为一个高维向量。本方法不限定使用何种图像特征，可以使用基于二维图像的特征或基于三维图像的特征等。这里以Histogram of Gradients(HoG)特征为例，首先计算各像素的梯度

ΔI_x＝I(x₀+Δx,y₀)-I(x₀-Δx,y₀)

ΔI_y＝I(x₀,y₀+Δy)-I(x₀,y₀-Δy)

其中，I(x，y)为图像在位置(x，y)处的亮度，Δx和Δy为计算梯度时，沿x和y轴方向的步长。这里两者都取值为1，向量

就是该点的梯度向量，梯度方向则按下式计算：

梯度方向取值范围为-180°到180°。为简化公式表达，我们将该数值转换为0到360°范围。该范围可均匀划分为8个区间，第i个区间的范围为[i×45-22.5，i×45+22.5)mod360°。这里mod表示取模，即，如果数值超过360°，我们将其除以360取余。对于图像中每个像素都会计算出一个梯度方向θ_xy，统计θ_xy在上述8个区间中频度可得到如下8维向量：

d_i＝|[θ_xy]∩[i×45-67.5，i×45-22.5)|

其中，[θ_xy]为所有梯度方向的集合，|S|表示集合S的模。进一步，作为所述用无监督机器学习将每个区块的高维特征向量压缩为一维数值的步骤包括：

对每个图像区块的图像特征用聚类算法聚为两个类别，一个类别与疾病大脑类似，另一个类别与健康大脑类似；

具体来说，对于每个图像区块，每个用于训练的大脑都由一个8维向量表示，即n个大脑在该区块的向量连接在一起可以表示为如下矩阵

聚类算法则将D划分为两个互补子集，可用二进制向量来表示每个大脑在该区块所属子集，即

L＝[l₁,l₂,…,l_n]

其中，l_i∈{0,1}。l_i为0代表

属于第一个子集，为1代表其属于第二个子集。各种标准聚类算法都可以用于确定上述L取值，常见算法包括k-means，层次聚类等。

聚类结果仅仅是将每个区块表示为0和1，但是对于任意给定区块，聚类算法不能确定0代表与疾病大脑类似还是1代表与疾病大脑类似。每个大脑的0、1向量将直接作为下一步的分类器输入。

对每个图像区块，训练一个分类器将该区块的图像特征向量分为所述两个类别聚类结果中的一个类别；

上一步中的聚类算法已经得到各区块和各大脑对应的0、1数值。在实际疾病诊断过程中，给定一个新的大脑及区块，我们同样需要对其赋予0或1的数值。这是一个分类问题，以矩阵D作为输入，聚类结果L作为目标变量，可以使用任何现有的分类器算法来学习由D到L的映射。这里以简单有效的k近邻为例来说明，k近邻只需要使用上一步聚类算法得到的两个类别的聚类中心

和

就可以对任意新样本进行分类。其分类的结果为距离最近的聚类中心的类别，即

其中，

为向量的二范式。

将分类结果所对应的概率提取出来，代表该区块图像特征向量被划分为疾病相关特征的概率。

大部分分类算法都具有输出分类结果属于各类别概率的方法。这里以k近邻为例，我们可以用待分类向量到两个类别聚类中心的距离之比作为分类结果概率，即

本发明另一目的在于提供一种基于大脑医学成像的检测系统包括：

大脑图像数据库，用于保存大脑疾病患者与非患者的大脑医学图像数据，作为提取疾病相关图像特征的依据；

相关图像特征库，用于保存大脑各个区域病变的图像特征；

图像特征提取模块，自动根据大脑图像数据库建立疾病特征数据库；

诊断模块，对待诊断大脑图像进行特征提取，特征匹配，并利用机器学习模型得出诊断结果。

进一步，所述于大脑医学成像的检测系统还包括：

人机交互界面，提供导入图像，展示诊断过程与结果。

本发明的优点及积极效果为：

1、本发明通过结合传统算法和FBM方法的优点，能将疾病诊断正确率提高10％以上。以公开的Alzheimer疾病数据OASIS为例，本发明方法能达到93％的正确率，而在同样数据上，VBM和TBM的正确率均在80％一下，FBM方法正确率也仅为80％左右。

2、本发明能直接用于二维医学图像(或切片数量较少的三维医学图像)分析与诊断，从而具有更广的临床应用范围。传统算法需要对大脑进行严格对齐才能对图像进行有效分析，二维图像很难有效对齐到三维大脑模板。FBM对大脑对齐要求相对较低，但对于二维图像，能提取的SIFT特征会远低于三维图像中能提取出的特征，从而对bag-of-word方法造成负面影响。

本发明实施例提供的大脑图像数据库用于保存大脑疾病患者与非患者的大脑医学图像数据，作为提取疾病相关图像特征的依据；相关图像特征库用于保存大脑各个区域病变的图像特征；图像特征提取模块自动根据大脑图像数据库建立疾病特征数据库；诊断模块对待诊断大脑图像进行特征提取，特征匹配，并利用机器学习模型得出诊断结果；人机交互界面提供导入图像，展示诊断过程与结果的功能。本发明实施例提供的基于大脑医学成像的检测方法中，图像特征自动提取算法使用机器学习算法自动提取大脑各区域的图形特征；诊断算法使用机器学习以图像特征为依据提供诊断结果以及诊断依据。

附图说明

图1是本发明实施例提供的基于大脑医学成像的检测系统示意图；

图中：1、大脑图像数据库；2、相关图像特征库；3、图像特征提取模块；4、诊断模块；5、人机交互界面。

图2是本发明实施例提供的基于大脑医学成像的检测方法流程图。

图3是本发明实施例提供的模型训练过程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图及具体实施例对本发明的应用原理作进一步描述。

如图1所示，本发明实施例提供的基于大脑医学成像的检测系统，包括：

大脑图像数据库1，用于保存大脑疾病患者与非患者的大脑医学图像数据，作为提取疾病相关图像特征的依据；

相关图像特征库2，用于保存大脑各个区域病变的图像特征；

图像特征提取模块3，自动根据大脑图像数据库建立疾病特征数据库；

诊断模块4，对待诊断大脑图像进行特征提取，特征匹配，并利用机器学习模型得出诊断结果；

人机交互界面5，提供导入图像，展示诊断过程与结果的功能。

如图2所示，本发明实施例提供的基于大脑医学成像的检测方法中，图像特征自动提取算法使用机器学习算法自动提取大脑各区域的图形特征；诊断算法使用机器学习以图像特征为依据提供诊断结果以及诊断依据。

具体包括：

S101：获取并预处理大脑扫描图像；

S102：将大脑图像分为多个区块；

S103：从每个区块提取一个图像特征向量；

S104：用无监督机器学习将每个区块的高维特征向量压缩为一维数值；

S105：将各区块的一维数值表示连接为一个向量，作为整个大脑图像的向量描述；

S106：用有监督机器学习，以大脑向量为输入，进行图像预测。

作为本发明实施例的优选实施例，所述从每个区块提取一个图像特征向量的步骤包括：

对不同大脑使用仿射变换初步对齐到标准大脑模版；

将已对齐大脑扫描图像分解为能覆盖完整图像的多个三维长方体或球体区块，区块之间可以部分重叠；

利用图像特征提取算法将每个区块的像素亮度转换为图像特征描述，每个特诊描述都可以表示为一个高维向量。

作为本发明实施例的优选实施例，所述用无监督机器学习将每个区块的高维特征向量压缩为一维数值的步骤包括：

对每个图像区块的图像特征用聚类算法聚为两个类别，一个类别与疾病大脑类似，另一个类别与健康大脑类似；

对每个图像区块，训练一个分类器将该区块的图像特征向量分为上述聚类结果中的一个类别；

将分类结果转换为一个实数，代表该区块图像特征向量被划分为疾病相关(或健康相关)特征的概率。

下面结合具体实施例对本发明作进一步描述。

本发明实施例提供的基于大脑医学成像的检测方法，包括图像分块，图像特征向量提取，特征向量无监督聚类，以及大脑图像向量描述的有监督分类。

首先对大脑图像进行区块划分。该步骤将整个大脑划分为大小相等的矩形区块。在实际应用中，针对三维扫描图像应该使用三维矩形区块，针对二维扫描图像则应使用二维矩形区块。这些区块叠加在一起必须能覆盖整个大脑，且相邻区块之间可以有一定重叠。

对于划分得到的每个区块，使用传统图像特征提取算法来提取该区块的特征表达。这里，传统图像特征提取算法可以包括，HoG(Histogram of Gradients)，SURF等。对于每个区块，提取出来的特征通常可以表示为一个高维向量。具体维数取决于特征提取算法以及相关的参数。例如，如果使用二维HoG算法并采用8各梯度方向进行统计，那么每个区块都会被表示为一个8维向量。

在传统的图像识别算法中，每个区块的8维向量通常会作为独立的个体按照bag-of-words或者bag-of-visual-words的方法进行分析，或者直接将他们连接为一个固定长度的向量作为分类算法的输入进行分析。

而本发明提出的方法则首先对每个区块做单独的分析，将各区块分别编码为一个数值，最后再将编码结果放入最终用于疾病诊断的分类器中。

具体来说，本发明对每个区块分别做聚类分析。对于训练样本，通过考察每个训练样本在同一位置区块的图像特征，可以把他们(近似的)区分为两类，一类是有病变的特征，另一类是正常的图像特征。理想情况下，每个区块可以用0或1来表示该区块是否有病变，但实际情况下，会用一个浮点数来表示对该区块的病变严重程度或者病变判断的可靠度。从算法层面来说，这个浮点数就是图像特征与健康个体在该区块的图像特征之间的距离。

根据上述方法将每个区块表示为一个浮点数之后，将各个区块的浮点数按照固定的顺序连接起来就组成了一个大脑图像的向量描述。该向量描述可以直接作为传统机器学习算法的输入进行模型训练和测试。

上述过程为整个算法核心流程。在该算法的实际实施过程中，需要将上述无监督和有监督学习得到的模型保存到数据库中以便用于实际诊断。实际诊断应用时，整体流程与模型训练时相似。

如图3所示，模型训练过程首先对训练用的图像进行采集，然后对采集得到的数据进行预处理。预处理的步骤与传统磁共振图像分析方法类似，通常包含图像去噪，图像对齐等。本发明只对图像对齐有一定要求。为提高图像分析的精确度，本发明要求只使用最基本的放射变换对图像进行对齐，以免对图像做太多的扭曲从而引入不必要的噪音。图像处理完毕后则进入本发明的核心算法流程。

本发明仅将涉及到模型参数输出的部分表示出来；

第一组模型参数是图像特征提取之后的无监督机器学习的结果。对于不同无监督学习，需要保存的模型参数可能不同。以k近邻算法为例，需要保存的参数就是各个类别的聚类中心。由于该模型参数在实际应用中会用于决定每个图像区块的浮点数特征表达，将该模型称为特征提取分类器。

第二组模型参数最终进行疾病分类的有监督学习模型的参数。该模型以整个大脑图像的浮点数向量表示作为输入，以疾病诊断结果作为输出。可以使用任何能用于浮点向量的分类器，保存的参数也因分类器不同而不同。例如，使用神经网络作为分类器，则需要保存各层神经元的权重和偏置。

该模型的应用过程与训练过程类似，包括相同的图像采集和图像预处理过程。然而在图像特征提取方面，需要使用预先保存的图像特征提取分类器来获得图像的浮点向量表示。然后使用预先保存的疾病分类器进行疾病分类。最终分类结果将呈现到恰当的人机交互界面中。最终结果呈现包括但不限于疾病分类结果，疾病分类可靠程度，以及分类所依赖的图像区块等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于大脑医学成像的检测方法，其特征在于，所述基于大脑医学成像的检测方法使用机器学习算法自动提取大脑各区域的图像特征；使用机器学习以提取的图像特征为依据判定诊断结果；

所述基于大脑医学成像的检测方法具体包括：

获取并预处理大脑扫描图像；

将大脑图像分为多个区块；

从每个区块提取一个图像特征向量；

用无监督机器学习将每个区块的高维特征向量压缩为一维数值；

将各区块的一维数值表示连接为一个向量，作为整个大脑图像的向量描述；

用有监督机器学习，以大脑图像的向量描述为输入，进行图像预测；

所述从每个区块提取一个图像特征向量的步骤包括：

对不同大脑使用仿射变换初步对齐到标准大脑模版；

将已对齐大脑扫描图像分解为能覆盖完整图像的多个三维长方体或球体区块，区块之间可以部分重叠；

利用图像特征提取算法将每个区块的像素亮度转换为图像特征描述，每个图像特征描述为一个高维向量；

作为所述用无监督机器学习将每个区块的高维特征向量压缩为一维数值的步骤包括：

对每个图像区块的图像特征用聚类算法聚为两个类别，一个类别与疾病大脑类似，另一个类别与健康大脑类似；

对每个图像区块，训练一个分类器将该区块的图像特征向量分为聚类结果中的所述两个类别中的一个类别；

将分类结果转换为一个实数，代表该区块图像特征向量被划分为疾病相关特征的概率；

所述基于大脑医学成像的检测方法使用基于大脑医学成像的检测系统，该系统包括：

大脑图像数据库，用于保存大脑疾病患者与非患者的大脑医学图像数据，作为提取疾病相关图像特征的依据；

相关图像特征库，用于保存大脑各个区域病变的图像特征；

图像特征提取模块，自动根据大脑图像数据库建立相关图像特征库；

诊断模块，对待诊断大脑图像进行特征提取，特征匹配，并利用机器学习模型得出诊断结果；

所述基于大脑医学成像的检测系统还包括：

人机交互界面，用于导入图像，展示诊断过程与结果。

Images