[发明专利]一种弥散张量图像特征提取的方法及系统

说明书

技术领域

本发明属于医学图像处理技术领域，尤其涉及一种弥散张量图像特征提取的方法及系统。

背景技术

弥散张量成像(Diffusion Tensor Imaging，DTI)，是一种描述大脑结构的新方法，是核磁共振成像(MRI)的特殊形式。不同于核磁共振成像是追踪水分子中的氢原子，弥散张量成像是依据水分子移动方向制图。弥散张量成像图(呈现方式与以前的图像不同)可以揭示脑瘤如何影响神经细胞连接，引导医疗人员进行大脑手术，还可以揭示同中风、多发性硬化症、精神分裂症、阅读障碍等有关大脑和脊髓的细微反常变化。

弥散张量成像数据本质上是二阶张量结构，它的每一个体素包含了水分子在白质神经纤维束内弥散的三维空间信息。传统的通过向量模式的学习算法处理分析弥散张量图像会引发诸如破坏原始数据结构等一些列问题，且计算量大，计算成本高。

发明内容

本发明提供了一种弥散张量图像特征提取的方法及系统，旨在解决现有的向量模式的学习算法处理分析弥散张量图像存在破坏原始数据结构，且计算量大、计算成本高的技术问题。

本发明是这样实现的，一种弥散张量图像特征提取的方法，包括：

步骤a：计算DTI图像主方向上的张量本征值，并分析所有图像的张量本征值的分布特征；

步骤b：根据张量本征值的分布特征构造权重矩阵，建立并优化基于权重矩阵的目标函数以构造新的特征空间；

步骤c：求解目标函数得到多线性投影矩阵，将基于DTI张量本征值的矩阵空间映射到多重线性子空间，并对各子空间的DTI图像进行特征提取和降维。

本发明实施例采取的技术方案还包括：在所述步骤b中，所述建立并优化基于权重矩阵的目标函数具体为：应用多重幂级数展开法建立基于权重矩阵的目标函数。

本发明实施例采取的技术方案还包括：在所述步骤c中，所述求解目标函数得到多线性投影矩阵具体为：交替最小二乘法优化求解目标函数，得到多线性投影矩阵。

本发明实施例采取的技术方案还包括：在所述步骤c中，所述将基于DTI张量本征值的矩阵空间映射到多重线性子空间具体为：根据多线性投影矩阵，通过张量积运算，将基于DTI张量本征值的矩阵空间映射到多重线性子空间，使得各子空间能捕捉到大部分正交多维的变异量在新的特征空间中；所述对各子空间的DTI图像进行特征提取和降维具体为：运用多线性核主成分分析法对各子空间的DTI图像进行特征提取和降维。

本发明实施例采取的技术方案还包括：在所述步骤c后还包括：计算投影后的DTI图像的张量本征值，并根据张量本征值的信噪比确定降维后的张量特征。

本发明实施例提供的另一技术方案为：一种弥散张量图像特征提取的系统，包括本征值处理模块、权重矩阵构造模块、特征空间构造模块、特征映射模块和特征提取模块，所述本征值处理模块用于计算DTI图像主方向上的张量本征值，并分析所有图像的张量本征值的分布特征；所述权重矩阵构造模块用于根据张量本征值的分布特征构造权重矩阵；所述特征空间构造模块用于建立并优化基于权重矩阵的目标函数以构造新的特征空间；所述特征映射模块用于求解目标函数得到多线性投影矩阵，将基于DTI张量本征值的矩阵空间映射到多重线性子空间；所述特征提取模块用于对各子空间的DTI图像进行特征提取和降维。

本发明实施例采取的技术方案还包括：所述本征值处理模块包括本征值计算单元和特征分析单元；

所述本征值计算单元用于计算DTI图像在三个主方向上的张量本征值；

所述特征分析单元用于根据弥散张量图像数据的张量结构特点，分析所有图像的张量本征值的分布特征。

本发明实施例采取的技术方案还包括：所述特征空间构造模块包括目标函数建立单元和特征空间构造单元；

所述目标函数建立单元用于应用多重幂级数展开法建立基于权重矩阵的目标函数；

所述特征空间构造单元用于通过目标函数优化来构造新的特征空间。

本发明实施例采取的技术方案还包括：所述特征映射模块包括投影矩阵计算单元和特征映射单元；

所述投影矩阵计算单元用于交替最小二乘法优化求解目标函数，得到多线性投影矩阵；

所述特征映射单元用于根据多线性投影矩阵，通过张量积运算，将基于DTI张量本征值的矩阵空间映射到多重线性子空间，使得各子空间能捕捉到大部分正交多维的变异量在新的特征空间中。

本发明实施例采取的技术方案还包括：所述特征提取模块包括特征提取单元和特征计算单元；