[发明专利]基于量子遗传优化的流形降维医学图像检索方法

说明书

(一)技术领域

本发明涉及的是一种图像的检索方法，特别是一种属于医学图像的检索方法。具体涉及一种基于量子遗传优化的流形降维医学图像检索方法。

(二)背景技术

随着医学影像设备的不断发展，临床上产生的多种模态的医学影像数据越来越多，对影像内容的描述也变得越来越丰富，产生的特征数据集的维数也随之不断增高。在基于内容的医学图像检索(Content-based Medical Image Retrieval，CBMIR)中，对医学影像内容的描述通常用特征向量的形式来表示，为了尽可能准确、全面地描述图像信息，这些特征向量往往是从图像中抽取出来的几十维甚至上百维的高维特征向量，这对数据库的组织、索引、基于距离函数的相似性度量以及检索都是很大的挑战，即所谓的维数灾难。事实上，对于某一特定的高维特征向量集合，以及它们所张成的高维空间，这些高维向量的重要程度是不同的，其间仍然存在着很大的冗余。因此，通过降维技术去除次要信息的特征向量以及相关性较强的特征向量，并保持其内在结构是CBMIR研究的关键问题之一。

流形学习是一种非线性的维数缩减方法，它的本质是将高维空间中的数据映射到一个低维的非线性子空间(即低维流形)，从而实现降维。局部线性嵌入(locally linear embedding，LLE)算法是S.T.Roweis和L.K.Saul.在2000年提出的一种非线性流形降维方法，其用于医学图像特征降维的基本思想是利用局部线性重建反映高维数据空间中的非线性结果，使降维后的数据保持原始空间的拓扑结构。传统局部线性嵌入--LLE算法中最核心的问题是求取使重建误差最小的近邻局部重建权值矩阵。然而，该算法是针对局部数据进行操作，而大多数的研究者都采用与欧氏距离有关的变量来定义该权值矩阵，默认距离近的点相互影响大而距离远的点间影响小，这使得该算法对样本中的噪音很敏感，此外该算法收敛速度不够快。

量子遗传算法(Quantum Genetic Algorithm，QGA)是量子计算(QuantumComputing)与遗传算法(Genetic Algorithm，GA)相结合的产物。以量子计算的概念和理论为基础，用量子位编码表征染色体，通过量子门旋转更新来完成进化搜索，能够表示出解的线性叠加态，获得更好的种群多样性、更快的收敛速度和全局寻优的能力。但到目前为止，还没有人将该算法应用于局部线性嵌入降维的优化方面。

(三)发明内容

本发明的目的在于提供一种可以降低噪声点对样本数据的影响，提高运行速度的基于量子遗传优化的流形降维医学图像检索方法。

本发明的目的是这样实现的：

1、提出查询请求：首先由用户通过查询接口向医学图像数据库提出查询目标图像的查询请求，所述的医学图像数据库是图像入库时，将各序列的关键图像统一转换为512×512大小的JPG格式图像构成医学图像数据库；

2、提取高维医学图像特征：查询处理模块根据请求提取目标图像和医学图像数据库中每幅图像的72维灰度特征和48维纹理特征，将这些高维特征以向量的形式存入高维特征向量库；

3、基于量子遗传优化的降维：对描述图像内容的高维特征进行基于量子遗传优化的降维，得到32维低维特征子集；

4、相似性度量：通过相似性度量将检索结果返回给用户。

本发明还可以包括：

1、所述的基于量子遗传优化的降维的方法为：

(1)医学图像特征向量高维空间R^D中的N个D维随机向量{x₁，x₂，…x_N}，x_i∈R^D，通过降维把它们映射到低维空间R^d中，得到降维后的输出向量y_i，i∈[1，N]，d＜＜D；

计算每一个样本点即特征向量x_i的k个最近邻点；对高维空间中的样本点x_i，计算该点与其他N-1个样本点之间的距离，将距离排序，选择前k个与x_i最近的点作为其邻近点；

(2)由每个样本点的近邻点计算出该样本点的局部重建权值矩阵W；用每个特征向量的近邻点对该特征向量进行重建，求取使重建误差最小的近邻局部重建权值矩阵W。

(3)保持上步求取的权值W不变，求x_i在低维嵌入空间的输出特征向量y_i；为了使输出数据在低维空间保持高维空间原有的拓扑结构需构造一个代价函数，映射过程中必须使代价函数值达到最小，该函数形式为：