[发明专利]使用非线性和非负稀疏表示的医学模式分类

说明书

一种使用非线性稀疏表示来对信号进行分类的方法包括基于多个训练信号来学习多个非线性字典，每个相应的非线性字典对应于多个类别标签中的一个。针对多个非线性字典中的每一个在测试信号上执行非线性稀疏编码过程，由此将多个非线性字典中的每一个与测试信号的不同稀疏编码相关联。针对包括在多个非线性字典中的每个相应的非线性字典，使用测试信号和与相应的非线性字典相对应的不同稀疏编码来测量重建错误。识别与多个非线性字典中的针对重建错误的最小值相对应的特定非线性字典，并且将与特定非线性字典相对应的类别标签分配给测试信号。

技术领域

本公开一般涉及用于医学分类的方法、系统和装置，其中非线性和非负稀疏表示被用于将分类标签分配给测试信号。所公开的技术可以被应用于例如磁共振（MR）图像的分类。

背景技术

在医学科学中，模式分类是用于计算机辅助诊断（CAD）系统的基础。CAD系统自动扫描医学图像数据（例如，经由诸如X射线、MRI或超声的成像模态收集），并识别可能指示疾病的明显结构和部分。传统上，分类通常使用诸如支持向量机（SVM）、推进、和神经网络之类的流行方法来完成。这些都是判别式方法，因为它们的目标函数直接与分类错误有关。但是，判别式分类器对数据损坏很敏感。他们的训练在面对缺乏训练样本时也容易过度拟合（over-fitting）。

最近，基于稀疏表示（SR）的分类已经获得了来自跨越诸如信号处理、计算机视觉和机器学习的不同团体的研究人员的显著兴趣。这是由于其对不同类型的噪声具有优越的鲁棒性。例如，SR框架能够通过利用这些人造品通常在像素基础方面是稀疏的属性来处理闭塞和腐败。分类通常是通过首先学习针对每个模式类别的良好稀疏表示来完成的。用于学习稀疏表示的有效算法的一些示例是最佳方向、KSVD、和在线字典学习的方法。给定每个稀疏表示，通过计算最大似然函数对测试样本进行分类。已经示出，这种方法在许多实际应用中胜过了判别式方法的现有技术。

虽然SR对于CAD应用保持很大的希望，但是它们有一些可以得到改善的缺点。特别而言，由基于SR的系统传统上采用的线性模型通常不足以表示与医学成像的复杂基础物理学相关联的非线性信息。例如，造影剂和计算机断层摄影中剂量的变化非线性地改变所得图像的外观。医学图像也遭受诸如旋转和形状变形的其他常见的非线性变化源。传统的稀疏表示框架将需要更大量的字典原子来准确地表示这些非线性效应。这反过来又需要大量的训练样本，训练样本的收集可能是昂贵的——尤其是对于内侧环境。

发明内容

本发明的实施例通过提供使用非线性和非负稀疏表示来执行医疗模式分类的方法、系统和装置来解决和克服上述缺点和不足中的一个或多个。这种技术尤其极好适用于但绝不限于诸如磁共振成像（MRI）之类的成像模态。

根据一些实施例，一种使用非线性稀疏表示来对信号进行分类的方法包括基于训练信号来学习非线性字典，每个相应的非线性字典对应于类别标签中的一个。针对非线性字典中的每一个在测试信号上执行非线性稀疏编码过程，由此将非线性字典中的每一个与测试信号的不同稀疏编码相关联。针对包括在非线性字典中的每个相应的非线性字典，使用测试信号和与相应的非线性字典相对应的不同稀疏编码来测量重建错误。识别与非线性字典中的针对重建错误的最小值相对应的非线性字典，并且将与特定非线性字典相对应的类别标签分配给测试信号。在一些实施例中，该方法还包括利用类别标签的指示来显示与测试信号相对应的图像。

在不同的实施例中，可以对上述方法进行各种增强或其他修改。例如，在一些实施例中，该方法还包括在构建非线性字典之前裁剪训练信号的子集。例如，可以通过识别相应训练信号中的感兴趣区域并丢弃相应训练信号的在感兴趣区域外的部分来执行该裁剪。在一些实施例中，训练信号包括解剖图像，并且该方法还包括基于用户供应的感兴趣解剖区域的指示来识别相应训练信号中的感兴趣区域。在一些实施例中，在学习期间将非负约束应用于非线性字典。例如，可以将非负约束应用于在非线性稀疏编码过程期间与每个非线性字典相关联的测试信号的不同稀疏编码。在一些实施例中，训练信号和测试信号各自包括使用磁共振成像所采集的k-空间数据集。前述方法中描述的类别标签可以包括对在测试信号中描绘的感兴趣解剖区域中存在的疾病的指示。