CN108319969B - 基于稀疏表示框架的脑胶质瘤生存期预测方法和系统 - Google Patents

基于稀疏表示框架的脑胶质瘤生存期预测方法和系统 Download PDF

Info

Publication number
CN108319969B
CN108319969B CN201810029255.9A CN201810029255A CN108319969B CN 108319969 B CN108319969 B CN 108319969B CN 201810029255 A CN201810029255 A CN 201810029255A CN 108319969 B CN108319969 B CN 108319969B
Authority
CN
China
Prior art keywords
feature
sparse representation
sample
features
tumor
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
Application number
CN201810029255.9A
Other languages
English (en)
Other versions
CN108319969A (zh
Inventor
余锦华
汪源源
吴国庆
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.)
Fudan University
Original Assignee
Fudan University
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 Fudan University filed Critical Fudan University
Priority to CN201810029255.9A priority Critical patent/CN108319969B/zh
Publication of CN108319969A publication Critical patent/CN108319969A/zh
Application granted granted Critical
Publication of CN108319969B publication Critical patent/CN108319969B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/513—Sparse representations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于医学图像处理技术领域，具体为一种基于稀疏表示框架的较高级别脑胶质瘤生存期预测方法和系统。本发明首先利用基于卷积神经网络的图像分割方法分割MRI图像中肿瘤区域；而后采用基于局部SIFT特征稀疏表示的方法提取肿瘤区域全局特征；为减少特征冗余性和提高生存期预测精度，采用稀疏表示与结构保持结合的模型进行特征选择，选择少数高稳定性高分辨力的特征预测生存期；最后，采用多特征协作稀疏表示分类方法结合多模态特征预测病人生存期是否大于22个月。本发明方法不仅具有较高的生存期预测精度，且整个过程由计算机自动完成无需人工干预，可用于临床中较高级别脑胶质瘤的术后生存期预测。

Description

基于稀疏表示框架的脑胶质瘤生存期预测方法和系统
技术领域
本发明属于医学图像处理技术领域，具体涉及多模态MRI图像处理方法和系统，尤其涉及较高级别脑胶质瘤生存期预测方法和系统。
背景技术
世界卫生组织(World Health Organization,WHO)定义为III，IV级的较高级别脑胶质瘤临床上不仅预后效果差,并且不同病人的预后总生存期差异也较大。精确的术后生存期预测能够为肿瘤治疗方案提供最优的指导，具有重要的临床研究价值。WHO病理学分级，图像特征和包括年龄性别在内的一些基础的临床信息被广泛用于生存期预测研究。然而这些方法大多使用一些以往临床经验指导的手工特征或工程特征进行研究分析，限制了对生物医学图像中所包含的深层病理学特征的全面利用。
在过去几年中，影像组学在临床疾病的诊断和预后应用中取得了巨大的成功。通过将医学图像转换为高通量特征，影像组学提供了病灶更全面的描述，并利用这些数据做出更有效的判决。2014年自然期刊上发表文章[1]提出利用图像的高通量特征进行肿瘤亚型鉴别，随后一些研究者也相继提出利用高通量特征进行肿瘤分子标记物的预测和肿瘤预后分析等，并取得了更好的效果。这些方法在疾病预测诊断时，不仅可以提取医生肉眼可直接观察的特征进行分类预测，还可以提取一些难以直接观测得到但对分类预测至关重要的特征信息。在影像组学应用中，针对具体的问题，抽取和选择有效的影像组学特征是两个最关键的步骤，因为有效的特征直接带来精确的判断结果。
尺度不变特征转换(Scale Invariant Feature Transform,SIFT)特征通过计算一些关键点的梯度幅度和方向来提取图像的局部特征。由于它对图像尺度和旋转具有转移不变性，并且对图像灰度变化和噪声不敏感，因此被广泛用于图像配准和目标识别等领域。稀疏表示理论认为自然信号可由字典中少数原子线性组合而成，这些原子包含了信号的最本质特征，通过字典训练和优化算法求解可有效提取这些本质特征。稀疏表示能够准确有效地提取和分析理影像组学中高通量数据特征，从中发现对疾病诊断鉴别有用的关键信息。
发明内容
本发明的目的是提出一套基于稀疏表示框架的较高级别脑胶质瘤生存期预测方法和系统。
本发明基于影像组学的思想，首先,设计一种基于字典学习和稀疏表示的高通量特征提取方法，将不同体积肿瘤区域局部SIFT特征转化为512维的全局特征；其次，针对提取特征存在冗余问题，建立基于稀疏表示与结构保持的特征选择模型选择少数高稳定性高分辨力的特征；最后，利用多特征协作稀疏表示分类方法结合多模态特征预测病人术后生存期是否大于22个月。
本发明提出的基于稀疏表示框架的较高级别脑胶质瘤生存期预测方法，具体步骤如下：
步骤一.基于局部SIFT特征稀疏表示的肿瘤特征提取
肿瘤区域的分割是后续特征提取和分类识别的前提和基础。为获得精确的分割肿瘤区域，首先对多模态MRI图像进行脑壳剥离和数据归一化预处理，然后针对每个模态MRI图像，选择部分肿瘤图像进行手动分割构建训练集，并训练卷积神经网络分割模型[2]，最后利用训练的网络自动分割图像中肿瘤区域。
分别提取各模态肿瘤图像特征。图2展示了本发明设计的基于肿瘤图像局部SIFT特征稀疏表示的特征提取流程图。针对每个模态的肿瘤图像，提取每个病例的局部SIFT特征集合S∈R128×d，R表示实数域，d其中表示每个病例所包含的关键点个数。分别选择部分短生存期病例(生存期小于22个月)和部分长生存期病例(生存期大于22个月)的SIFT特征集进行组合，得到短生存期特征集
Figure GDA0003005322630000021
和长生存期特征集
Figure GDA0003005322630000022
这里，dS，dL分别为对应病例所包含的关键点个数；接着利用K-奇异值分解算法[3]分别从特征集SS和SL中训练短生存期字典DS和长生存期字典DL。最后利用训练字典的组合对每个病例的局部SIFT特征S＝[s1,…sp,…sd]进行稀疏表示，提取肿瘤区域全局特征：
Figure GDA0003005322630000023
其中,sp∈R128为第p个关键点的SIFT特征，D＝[DL,DS]为特征提取字典，
Figure GDA0003005322630000024
αp∈Rk是sp对应的稀疏表示系数，φ为权重正则化参数，f∈Rk为最终提取的全局特征，利用正交匹配追踪算法求解式(1)稀疏模型。图3a和图3b分别为提取的短生存期肿瘤特征和长生存期肿瘤特征。
步骤二.基于稀疏表示与结构保持结合的特征选择
特征提取获得的特征存在大量冗余信息，这些冗余特征不仅增加了后续分类的计算量，还影响了分类精度，因此建立基于稀疏表示与结构保持结合的特征选择模型选择少量高分辨率特征。具体的，首先，分别计算样本的类内和类间结构信息。计算基于有效距离的样本相似度矩阵
Figure GDA0003005322630000031
其中Si,j表示样本fi和fj间的相似度，N为样本个数。根据S和样本类标签信息，为每个样本构建两个不相交的集合knnw(i)和knnb(i)：
Figure GDA0003005322630000032
其中,fi j表示与样本fi第j个最相似的样本，基于式(2)，定义两个权重矩阵
Figure GDA0003005322630000033
和
Figure GDA0003005322630000034
来分别保存类内和类间结构信息：
Figure GDA0003005322630000035
Figure GDA0003005322630000036
其中，knnw和knnb为式(2)构造的集合。然后建立基于稀疏表示与结构保持相结合的特征选择模型：
Figure GDA0003005322630000037
其中,
Figure GDA0003005322630000038
表示样本类标签编码矩阵，F＝[f1…fi…fN]为高维特征数据，fi为第i个样本的特征。θ是稀疏表示系数矩阵，它的0行元素对应冗余的特征。Lw＝Dw-Sw和Lb＝Db-Sb是图拉普拉斯矩阵，分别存储了类内和类间样本结构信息，Dw和Db是两个对角矩阵，每个对角元素可分别表示为
Figure GDA0003005322630000039
和
Figure GDA00030053226300000310
μ1，μ2和β为正则化约束参数。利用加速近端梯度法[4]求解式(5)模型，当获得系数矩阵θ后，对其每一行的l2范数进行降序排序得到特征的重要性排序。最后对排序后的特征，利用顺序前进法测试验证集，得到最优分类率对应的特征组合即为最终选择的特征。
步骤三.多特征协作稀疏表示分类
对于待测多模态肿瘤图像特征
Figure GDA00030053226300000311
其中M表示模态个数，首先建立式(6)稀疏表示模型：
Figure GDA0003005322630000041
其中,
Figure GDA0003005322630000042
为已知样本类别的训练特征集，
Figure GDA0003005322630000043
为第m个模态特征对应的稀疏表示系数。τ1和τ2为两个正则化参数。
Figure GDA0003005322630000044
ωm为第m个模态特征对应的权重。利用文献[5]方法求解式(6)。当求得表示系数
Figure GDA0003005322630000045
利用式(7)确定测试样本特征
Figure GDA0003005322630000046
的类别：
Figure GDA0003005322630000047
其中,δc(·)用于选择第c类训练样本对应的表示系数，C表示类别总个数。最后，分别计算分类的准确度(accuracy,ACC)、敏感度(sensitivity,SEN)、特异度(specificity,SPE)评价预测性能。
本发明构建了一套基于稀疏表示框架的较高级别脑胶质瘤生存期预测方法。首先设计了一种基于字典学习和局部SIFT特征稀疏表示的肿瘤高通量特征提取方法；其次，建立了基于稀疏表示与结构保持相结合的特征选择方法，从提取的特征中选择少数高分辨力特征，来提高分类预测准确率；最后，利用多特征协作稀疏表示分类方法结合多模态图像特征预测病人术后生存期是否大于22个月。
本发明还提供基于上述预测方法的较高级别脑胶质瘤生存期预测系统。该系统包括三个模块：(一)基于局部SIFT特征稀疏表示的肿瘤特征提取模块，(二)基于稀疏表示与结构保持结合的特征选择模块，(三)多特征协作稀疏表示分类模块。这3个模块分别用于实现上述预测方法的步骤一、步骤二和步骤三的操作计算内容。
本发明的有益效果：具有不同预后生存期较高级别胶质瘤图像间存在结构纹理差异，SIFT特征对图像尺度和旋转具有转移不变性，能够很好地提取图像的局部结构信息。因此本发明首先提取肿瘤图像的局部SIFT特征，并进一步利用稀疏表示和字典学习方法，有效地将肿瘤局部SIFT特征转化为刻画肿瘤全局信息的高通量特征；建立基于稀疏表示与结构保持结合的特征选择模型从提取的高通量特征中选择少数高分辨力特征，不仅消除了特征的冗余性，减少了后续分类算法的运算量，还提高了样本在低维空间的分类性能。多特征协作稀疏表示分类方法，从多模态特征间的内在联系出发将多模态特征结合，能够进一步提高分类预测的性能。整个生存期预测过程计算机自动完成，无需人工提取参数，使该方法具有较强的鲁棒性。
附图说明
图1为本发明提出基于稀疏表示框架的较高级别脑胶质瘤生存期预测方法流程图。
图2为基于肿瘤图像局部SIFT特征稀疏表示的特征提取流程图。
图3为提取的T1增强MRI图像肿瘤特征。其中，(a)短生存期图像特征，(b)长生存期图像特征。
具体实施方式
以下是整个方法的具体实现步骤：
1、首先对数据集图像进行去脑壳、灰度归一化等操作，并分别从T1增强和T2加权MRI图像集合中选择30例图像进行肿瘤区域手工标注，然后分别将标记结果和对应图像送入两种构建的卷积神经网络训练网络参数，最后利用已训练的两种卷积神经网络分割对应模态图像的肿瘤区域。
2、分别提取每个病人两个模态的局部SIFT特征，其中SIFT特征的关键点以8个像素间隔均匀分布在每层肿瘤图像中。对于每个关键点，首先将16*16个像素邻域分为16个4*4个像素的子邻域，然后计算每个子邻域的梯度大小和方向，最后将计算的16个8维的子邻域特征组合得到每个关键点128维的SIFT特征。对于每个模态，分别选择30例短生存期病例(生存期小于22个月)和30例长生存期病例(生存期大于22个月)的SIFT特征集进行组合，得到短生存期特征集
Figure GDA0003005322630000051
和长生存期特征集
Figure GDA0003005322630000052
接着利用K-奇异值分解算法[3]分别从SS和SL中训练2倍冗余的短生存期字典DS∈R128×256和长生存期字典DL∈R128×256，最后利用模型(1)提取每个病例512维的全局特征。
3、对两种模态特征进行特征选择。对于每个模态特征，首先计算基于有效距离的样本相似度矩阵
Figure GDA0003005322630000053
根据S和样本类标签信息为每个样本构建两个不相交的集合knnw(i)和knnb(i)。基于knnw(i)和knnb(i)，利用式(3)和(4)构建两个权重矩阵Sw和Sb分别保存类内和类间结构信息。计算图拉普拉斯矩阵Lw＝×Dw-Sw和Lb＝Db-Sb，其中Dw和Db是两个对角矩阵，每个对角元素可分别表示为
Figure GDA0003005322630000054
和
Figure GDA0003005322630000055
构建类标签编码矩阵
Figure GDA0003005322630000056
N为样本个数。设置正则化参数μ1＝0.1，μ2＝1和β＝0.9。然后利用加速近端梯度法求解式(5)模型，当获得系数矩阵θ后，对其每一行的l2范数进行降序排序得到特征的重要性排序。将排序后前30个特征作为初始特征集，之后每次从剩余特征中选择最重要特征加入特征集，直到特征集个数达到100。每次特征集更新后，设置稀疏系数约束参数τ1＝0.0005和τ2＝0.005，利用式(6)和式(7)预测生存期，并计算生存期预测的准确率，准确最高时对应的特征集中包含的特征为最终选择的特征。最终筛选得到T1增强模态图像特征75个，T2加权模态图像特征71个。
4、基于选择的两个模态146个特征，对验证集数据进行十折交叉分类验证，验证过程中，不断调整模态权重ωm，从而获得分类精度最高时的ωm。最后利用选择的特征，训练的ωm和已知样本标签样本，利用式(6)和式(7)对测试集数据进行分类预测，并统计预测结果的准确度、灵敏度、特异性。
结果分析
表1给出了不同方法对较高级别脑胶质瘤生存期分类预测的情况。本发明验证集数据60例，独立测试集数据26例，使用图像为T1增强和T2加权模态MRI图像。文献[6]方法提取2797个脑功能和脑连接特征预测生存期，为提高预测精度，采用一个包含3个步骤的特征选择方法进行特征选择，最后利用支撑向量机方法进行分类预测。文献[6]中的生存期分类阈值同本发明相同，均为22个月。“T1增强特征”为仅利用本发明提取筛选的T1增强模态图像特征预测生存期，“T2加权特征”为仅利用本发明提取筛选的T2加权模态图像特征预测生存期。“本发明方法”为本发明利用两个模态图像特征结合预测生存期。此外，表1中“文献[6]”的结果为68例数据交叉验证的结果，而“T1增强特征”，“T2加权特征”和“本发明方法”对应的结果均为独立测试集的测试结果。
可以看出“T1增强特征”，“T2加权特征”和“本发明方法”的预测性能相比于“文献[6]”都有很大提升，其中“本发明方法”取得了最好预测效果，准确率达到了92.31％。“T1增强特征”和“T2加权特征”的预测精度高于“文献[6]”13％以上，说明了本发明中特征提取和特征选择步骤的有效性。“本发明方法”的性能同时高于“T1增强特征”和“T2加权特征”说明了本发明多特征协作稀疏表示分类方法可以有效结合多模态图像特征来进一步提高生存期预测进度。T1增强和T2加权模态MRI图像是病人常规检查时获得的图像，本发明利用这两种模态进行生存期预测并取得了令人满意效果，体现了本发明方法的实用性，普遍适用性。此外由于本发明方法整个预测过程由算法自动完成，无需人工干预提取预测参数，因此在实际应用中也具有较强的鲁棒性。
表1.不同方法较高级别脑胶质瘤生存期分类预测结果
ACC SEN SPE
文献[6] 75.00％ 82.40％ 67.60％
T1增强特征 88.46％ 100.0％ 75.00％
T2加权特征 88.46％ 92.86％ 83.33％
本发明方法 92.31％ 100.0％ 83.33％
。
参考文献
[1]Aerts H J，Velazquez E R，Leijenaar R T，et al.Decoding tumourphenotyPe by noninvasive imaging using a quantitative radiomicsapproach.Nature Communication，2014，5∶4006.
[2]Pereira S，Pinto A，Alves V，et a1.Brain tumor segmentation usingconvolutional neural networks in MRI images.IEEE Transactions on MedicalImaging，2016，35(5)：1240-1251.
[3]Elad M，Aharon M.Image denoising via sparse and redundantrepresentations over learned dictionaries.IEEE Transactions on ImageProcessing，2006，15(12)：3736-3745.
[4]Zhu X F，Suk H，Lee S W，etal.Subspaceregularized sparse multi-tasklearning for multi-Class neurodegenerative disease identification.IEEETransactions on Biomedical Engineering，2016，63(3)：607-618.
[5]Yang M，Zhang L，ZhangD，et al.Relaxed collaborative representationfor pattem classification.2012Computer Vision and Pattern Recognition.IEEE，2012：2224-2231.
[6]Liu L Y，Zhang H，Rekik I，etal.Outcomeprediction for patient withhigh-grade gliomas from brain functional and structural networks.2016conferenec on Medical Image Computing and Computer Assisted Interventions，2016：26-34.。

Claims (2)

1.一种基于稀疏表示框架的脑胶质瘤生存期预测方法，其特征在于，具体步骤为：
步骤一.基于局部SIFT特征稀疏表示的肿瘤特征提取
(1)肿瘤区域的分割：对多模态MRI图像进行脑壳剥离和数据归一化预处理后，针对每个模态MRI图像，选择部分肿瘤图像进行手动分割构建训练集，并训练卷积神经网络分割模型，然后利用训练的网络自动分割图像中肿瘤区域；
(2)各模态肿瘤图像特征的提取：针对每个模态的肿瘤图像，提取每个病例的局部SIFT特征集合S∈R128×d，R表示实数域，d表示每个病例所包含的关键点个数；分别选择部分短生存期病例和部分长生存期病例的SIFT特征集进行组合，得到短生存期特征集
Figure FDA0003005322620000011
和长生存期特征集
Figure FDA0003005322620000012
这里，dS，dL分别为对应病例所包含的关键点个数；然后利用K-奇异值分解算法，分别从SS和SL中训练短生存期字典DS和长生存期字典DL；最后利用训练字典的组合对每个病例的局部SIFT特征S＝[s1,…sp,…sd]进行稀疏表示，提取肿瘤区域全局特征：
Figure FDA0003005322620000013
其中，短生存期指生存期小于22个月，长生存期指生存期大于22个月；sp∈R128为第p个关键点的SIFT特征，D＝[DL,DS]为特征提取字典，
Figure FDA0003005322620000014
αp∈Rk是sp对应的稀疏表示系数，φ为权重正则化参数，f∈Rk为最终提取的全局特征，利用正交匹配追踪算法求解式(1)稀疏模型；
步骤二.基于稀疏表示与结构保持结合的特征选择
建立基于稀疏表示与结构保持结合的特征选择模型选择少量高分辨率特征：首先，分别计算样本的类内和类间结构信息；计算基于有效距离的样本相似度矩阵
Figure FDA0003005322620000015
其中Si,j表示样本fi和fj间的相似度，N为样本个数；根据S和样本类标签信息，为每个样本构建两个不相交的集合：
Figure FDA0003005322620000016
其中，fi j表示与样本fi第j个最相似的样本，基于式(2)，定义两个权重矩阵
Figure FDA0003005322620000021
和
Figure FDA0003005322620000022
来分别保存类内和类间结构信息：
Figure FDA0003005322620000023
Figure FDA0003005322620000024
然后，建立基于稀疏表示与结构保持相结合的特征选择模型：
Figure FDA0003005322620000025
其中，
Figure FDA0003005322620000026
表示样本类标签编码矩阵，F＝[f1…fi…fN]为高维特征数据，fi为第i个样本的特征；θ是稀疏表示系数矩阵，它的0行元素对应冗余的特征；Lw＝Dw-Sw和Lb＝Db-Sb是图拉普拉斯矩阵，分别存储类内和类间样本结构信息，Dw和Db是两个对角矩阵，每个对角元素分别表示为
Figure FDA0003005322620000027
和
Figure FDA0003005322620000028
μ1、μ2和β为正则化约束参数；利用加速近端梯度法求解式(5)模型，当获得系数矩阵θ后，对其每一行的l2范数进行降序排序，得到特征的重要性排序；最后对排序后的特征，利用顺序前进法测试验证集，得到最优分类率对应的特征组合即为最终选择的特征；
步骤三.多特征协作稀疏表示分类
对于待测多模态肿瘤图像特征
Figure FDA0003005322620000029
其中M表示模态个数，首先建立式(6)稀疏表示模型：
Figure FDA00030053226200000210
其中，
Figure FDA00030053226200000211
为已知样本类别的训练特征集，
Figure FDA00030053226200000212
为第m个模态特征对应的稀疏表示系数；τ1和τ2为两个正则化参数，
Figure FDA00030053226200000213
ωm为第m个模态特征对应的权重；利用文献[5]方法求解式(6)；当求得表示系数
Figure FDA00030053226200000214
后，利用式(7)确定测试样本特征
Figure FDA00030053226200000215
的类别：
Figure FDA00030053226200000216
其中，δc(·)用于选择第c类训练样本对应的表示系数，C表示类别总个数；最后，分别计算分类的准确度、敏感度、特异度评价预测性能。
2.一种基于权利要求1所述预测方法的脑胶质瘤生存期预测系统，其特征在于，该系统包括3个模块：(一)基于局部SIFT特征稀疏表示的肿瘤特征提取模块，(二)基于稀疏表示与结构保持结合的特征选择模块，(三)多特征协作稀疏表示分类模块；这3个模块分别用于实现上述预测方法的步骤一、步骤二和步骤三的操作计算内容。
CN201810029255.9A 2018-01-12 2018-01-12 基于稀疏表示框架的脑胶质瘤生存期预测方法和系统 Active CN108319969B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810029255.9A CN108319969B (zh) 2018-01-12 2018-01-12 基于稀疏表示框架的脑胶质瘤生存期预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810029255.9A CN108319969B (zh) 2018-01-12 2018-01-12 基于稀疏表示框架的脑胶质瘤生存期预测方法和系统

Publications (2)

Publication Number Publication Date
CN108319969A CN108319969A (zh) 2018-07-24
CN108319969B true CN108319969B (zh) 2021-06-22

Family

ID=62894094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810029255.9A Active CN108319969B (zh) 2018-01-12 2018-01-12 基于稀疏表示框架的脑胶质瘤生存期预测方法和系统

Country Status (1)

Country Link
CN (1) CN108319969B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816632B (zh) * 2018-12-25 2020-12-25 东软集团股份有限公司 脑图像处理方法、装置、可读存储介质及电子设备
CN110363240B (zh) * 2019-07-05 2020-09-11 浙江美迪克医疗科技有限公司 一种医学影像分类方法与系统
CN112085714B (zh) * 2020-08-31 2023-12-15 广州视源电子科技股份有限公司 一种肺结节检测方法、模型训练方法、装置、设备及介质
CN116386043B (zh) * 2023-03-27 2024-06-21 北京市神经外科研究所 一种脑神经医疗影像胶质瘤区域快速标记方法及系统
CN116486067B (zh) * 2023-04-11 2024-10-29 南通大学 一种用于精神分裂症病历图像特征选择的稀疏双向Spark方法
CN118098488B (zh) * 2024-02-02 2024-10-18 山东卓业医疗科技有限公司 基于药品知识图谱推理的用药决策支持系统的构建方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955606A (zh) * 2014-04-23 2014-07-30 北京大学 一种基于遥感技术的草原蝗灾渐进式预测方法
CN104673883A (zh) * 2013-12-01 2015-06-03 复旦大学 用于预测早期非转移性结直肠癌预后的微rna生物标记物及检测方法
CN106557782A (zh) * 2016-11-22 2017-04-05 青岛理工大学 基于类字典的高光谱图像分类方法及装置
CN106815481A (zh) * 2017-01-19 2017-06-09 中国科学院深圳先进技术研究院 一种基于影像组学的生存期预测方法及装置
CN107016395A (zh) * 2017-03-18 2017-08-04 复旦大学 基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2874407A1 (en) * 2012-05-24 2013-11-28 Fundacio Institut D'investigacio Biomedica De Bellvitge (Idibell) Method for the identification of the origin of a cancer of unknown primary origin by methylation analysis

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104673883A (zh) * 2013-12-01 2015-06-03 复旦大学 用于预测早期非转移性结直肠癌预后的微rna生物标记物及检测方法
CN103955606A (zh) * 2014-04-23 2014-07-30 北京大学 一种基于遥感技术的草原蝗灾渐进式预测方法
CN106557782A (zh) * 2016-11-22 2017-04-05 青岛理工大学 基于类字典的高光谱图像分类方法及装置
CN106815481A (zh) * 2017-01-19 2017-06-09 中国科学院深圳先进技术研究院 一种基于影像组学的生存期预测方法及装置
CN107016395A (zh) * 2017-03-18 2017-08-04 复旦大学 基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Hybrid intelligent systems in survival prediction of breast cancer;Aida Ali，Siti Manyam Shamsuddin，Anca L. Ralescu;《 2012 12th International Conference on Hybrid Intelligent Systems (HIS)》;20130128;第555-559页 *
MR预测胶质瘤生存期的研究进展;黄珊;《临床放射学杂志》;20171231;第1900-1902页 *

Also Published As

Publication number Publication date
CN108319969A (zh) 2018-07-24

Similar Documents

Publication Publication Date Title
CN108319969B (zh) 基于稀疏表示框架的脑胶质瘤生存期预测方法和系统
Xue et al. An application of transfer learning and ensemble learning techniques for cervical histopathology image classification
Yamanakkanavar et al. MRI segmentation and classification of human brain using deep learning for diagnosis of Alzheimer’s disease: a survey
Dolz et al. 3D fully convolutional networks for subcortical segmentation in MRI: A large-scale study
Motlagh et al. Breast cancer histopathological image classification: A deep learning approach
Saikumar et al. A novel implementation heart diagnosis system based on random forest machine learning technique.
Liu et al. Towards clinical diagnosis: Automated stroke lesion segmentation on multi-spectral MR image using convolutional neural network
CN111488914B (zh) 一种基于多任务学习的阿尔茨海默症分类及预测系统
Iqbal et al. Developing a brain atlas through deep learning
CN107016395B (zh) 稀疏表示的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别系统
CN111063442B (zh) 基于弱监督多任务矩阵补全的脑疾病进程预测方法及系统
Guerrero et al. Manifold alignment and transfer learning for classification of Alzheimer’s disease
CN110097921B (zh) 基于影像组学的胶质瘤内基因异质性可视化定量方法和系统
CN105760874A (zh) 面向尘肺的ct图像处理系统及其ct图像处理方法
Xiong et al. Mapping histological slice sequences to the allen mouse brain atlas without 3D reconstruction
CN108664986B (zh) 基于lp范数正则化的多任务学习图像分类方法及系统
Chowdhury et al. Classification of diseases from CT images using LSTM-based CNN
Tavana et al. Classification of spinal curvature types using radiography images: deep learning versus classical methods
CN109191422A (zh) 基于常规ct图像的缺血性脑卒中早期检测系统和方法
Junyue et al. Breast cancer diagnosis using hybrid AlexNet-ELM and chimp optimization algorithm evolved by Nelder-mead simplex approach
Jiang et al. Joint selection of brain network nodes and edges for MCI identification
CN112200810B (zh) 多模态的自动化脑室分割系统及其使用方法
Xu et al. Data-efficient histopathology image analysis with deformation representation learning
Tan et al. SwinUNeLCsT: Global–local spatial representation learning with hybrid CNN–transformer for efficient tuberculosis lung cavity weakly supervised semantic segmentation
Yao et al. Brain hematoma segmentation using active learning and an active contour model

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
GR01 Patent grant
GR01 Patent grant