特征选择、提取方法及装置、异常检测模型及其构建方法制造方法及图纸

本公开涉及一种特征选择、提取方法及装置、异常检测模型及其构建方法。所述特征选择方法包括获取脑灌注影像集，所述脑灌注影像集中的脑灌注影像包括多个时刻的脑影像；确定所述脑灌注影像的感兴趣区域，所述感兴趣区域包括正常区域和异常区域；基于所述多个时刻，分别提取所述感兴趣区域的第一影像特征；基于多级特征选择策略，从所述第一影像特征中筛选出用于区分所述正常区域和所述异常区域的第二影像特征。本公开实施例可实现动态特征的有效提取，以及提高特征的选择精度。以及提高特征的选择精度。以及提高特征的选择精度。

【技术实现步骤摘要】
特征选择、提取方法及装置、异常检测模型及其构建方法


[0001]本公开涉及医学图像处理
，尤其涉及一种特征选择、提取方法及装置、异常检测模型及其构建方法。

技术介绍

[0002]与普通图像相比较，生物医学图像具有精度高、数量大、与解剖和临床密切相关、存在噪声和局部体效应等特点，这大大增加了对生物医学图像进行特征提取的难度，所以生物医学图像的特征提取方法的过程更加复杂。近年来，一些国内外学者对生物医学图像的特征提取方法展开了大量的研究。
[0003]相关技术中，常用的特征选择方法包括卡方验证、主成分分析、相关性分析、互信息分析以及基于模型的特征选择等，或者结合深度学习的方法提取图像特征。但是由于医学影像内包括丰富且隐匿的临床信息，上述单一的特征提取方法难以充分的提取所需特征，并且很难确定提取特征在具体应用场景下的有效性。
[0004]在医疗领域内以观察脑组织血流灌注状况为目的的动态脑灌注成像和定量分析技术开始应用于临床医学辅助诊断。通过对动态脑灌注检查所获得的一个时间影像序列的量化分析，可以测量出感兴趣区域脑组织的血流灌注量，从而辨识组织的异常。针对灌注成像，现有的特征提取方法通常是基于灌注成像获得的相关脑血流动力学参数实现的，如通过灌注成像可以获取脑血流量(CBF)、脑血容量(CBV)、平均通过时间(MTT)、达峰时间(TTP)、最大剩余功能时间(TMAX)等。相关技术中，通过分析上述血流参数提取影像特征，进行临床辅助分析。然而上述信息忽略了原始动态灌注成像中的时间信息，造成动态特征的缺失，影像特征提取的准确度。

技术实现思路

[0005]本公开提出了一种特征选择、提取方法及装置、异常检测模型及其构建方法。能够有效提取灌注影像中的动态特征，提高特征的准确度和丰富度。
[0006]根据本公开的一方面，提供了特征选择方法，其包括：
[0007]获取脑灌注影像集，所述脑灌注影像集中的脑灌注影像包括多个时刻的脑影像；
[0008]确定所述脑灌注影像的感兴趣区域，所述感兴趣区域包括正常区域和异常区域；
[0009]基于所述多个时刻，分别提取所述感兴趣区域的第一影像特征；
[0010]基于多级特征选择策略，从所述第一影像特征中筛选出用于区分所述正常区域和所述异常区域的第二影像特征。
[0011]在一些可能的实施方式中，所述确定所述脑灌注影像的感兴趣区域，包括：
[0012]检测所述脑灌注影像的异常区域，所述异常区域包括缺血组织和/或出血组织；
[0013]将所述脑灌注影像中所述异常区域以外的组织区域确定为所述正常区域，或者将所述异常区域的对称区域中的非病变区域确定为所述正常区域。
[0014]在一些可能的实施方式中，所述基于所述多个时刻，分别提取所述感兴趣区域的
第一影像特征，包括：
[0015]基于所述多个时刻，分别对各时刻下所述感兴趣区域执行特征提取处理，得到各时刻下的时刻影像特征；
[0016]针对所述脑灌注影像，分别将所述感兴趣区域在各时刻的时刻影像特征组合，得到所述感兴趣区域的第一影像特征。
[0017]在一些可能的实施方式中，所述特征提取处理包括：
[0018]对所述感兴趣区域执行至少一种图像变换，基于所述感兴趣区域及所述图像变换结果得到所述感兴趣区域的扩增集；其中，所述图像变化包括高斯
‑
拉普拉斯变换、小波变换、平方根滤波中的至少一种；
[0019]提取所述扩增集中的任一图像的一阶梯度特征、形状特征和纹理特征中的至少一种。
[0020]在一些可能的实施方式中，所述基于多级特征选择策略，从所述第一影像特征中筛选出用于区分所述正常区域和所述异常区域的第二影像特征，包括：
[0021]从所述第一影像特征中选择出满足显著性的显著特征；
[0022]基于至少两种特征选择方法，从所述显著特征中筛选出满足所述特征选择方法的选择条件的第三影像特征；
[0023]利用至少一种分类模型从所述第三影像特征中选择出满足分类条件的第二影像特征。
[0024]根据本公开的第二方面，提供了一种特征提取方法，其包括：
[0025]获取脑灌注影像集；
[0026]确定所述脑灌注影像的感兴趣区域；
[0027]从所述感兴趣区域中提取出第二影像特征，所述第三影像特征由第一方面中任意一项所述的特征选择方法确定。
[0028]根据本公开的第三方面，提供了一种异常特征检测模型的构建方法，包括：
[0029]获取脑灌注影像集；
[0030]确定所述脑灌注影像集中各脑灌注影像的感兴趣区域；
[0031]提取所述感兴趣区域的第二影像特征，所述第二影像特征由第一方面中任意一项所述的方法确定；
[0032]利用所述第二影像特征构建检测第二影像特征是否异常的分类模型。
[0033]根据本公开的第四方面，提供了一种特征选择装置，其包括：
[0034]第一获取模块，用于获取脑灌注影像集，所述脑灌注影像集中的脑灌注影像包括多个时刻的脑影像；
[0035]第一确定模块，用于确定所述脑灌注影像的感兴趣区域，所述感兴趣区域包括正常区域和异常区域；
[0036]第一提取模块，用于基于所述多个时刻，分别提取所述感兴趣区域的第一影像特征；
[0037]选择模块，用于基于多级特征选择策略，从所述第一影像特征中筛选出用于区分所述正常区域和所述异常区域的第二影像特征。
[0038]根据本公开的第五方面，提供了一种特征提取装置，其包括：
[0039]第二获取模块，用于获取输入脑灌注影像；
[0040]第二确定模块，用于确定所述脑灌注影像的感兴趣区域；
[0041]第二提取模块，用于从所述感兴趣区域中提取出第二影像特征，所述第二影像特征根据第一方面中任意一项所述的特征选择方法确定。
[0042]根据本公开的第六方面，提供了一种异常特征检测模型，其包括：
[0043]第三获取模块，获取输入脑灌注影像；
[0044]第三确定模块，确定所述脑灌注影像的感兴趣区域；
[0045]第三提取模块，提取所述感兴趣区域的第二影像特征，所述第二影像特征由第一方面中任意一项所述的方法确定；
[0046]检测模块，检测所述第二影像特征是否异常，所述检测模块由权利要求7所述的异常特征检测模型的构建方法构建得到。
[0047]基于上述配置，本公开实施例可以直接对灌注影像进行处理，基于多个时刻的脑影像分别提取相应的影像特征，得到包括基于时刻的动态影像特征的第一影像特征。另外，本公开实施例采取了多级的特征选择策略，不仅对特征进行了有效降维，同时还能够提高特征提取精度。
[0048]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
[0049]根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种特征选择方法，其特征在于，包括：获取脑灌注影像集，所述脑灌注影像集中的脑灌注影像包括多个时刻的脑影像；确定所述脑灌注影像的感兴趣区域，所述感兴趣区域包括正常区域和异常区域；基于所述多个时刻，分别提取所述感兴趣区域的第一影像特征；基于多级特征选择策略，从所述第一影像特征中筛选出用于区分所述正常区域和所述异常区域的第二影像特征。2.根据权利要求1所述的方法，其特征在于，所述确定所述脑灌注影像的感兴趣区域，包括：检测所述脑灌注影像的异常区域，所述异常区域包括缺血组织和/或出血组织；将所述脑灌注影像中所述异常区域以外的组织区域确定为所述正常区域，或者将所述异常区域的对称区域中的非病变区域确定为所述正常区域。3.根据权利要求1或2所述的方法，其特征在于，所述基于所述多个时刻，分别提取所述感兴趣区域的第一影像特征，包括：基于所述多个时刻，分别对各时刻下所述感兴趣区域执行特征提取处理，得到各时刻下的时刻影像特征；针对所述脑灌注影像，分别将所述感兴趣区域在各时刻的时刻影像特征组合，得到所述感兴趣区域的第一影像特征。4.根据权利要求3所述的方法，其特征在于，所述特征提取处理包括：对所述感兴趣区域执行至少一种图像变换，基于所述感兴趣区域及所述图像变换结果得到所述感兴趣区域的扩增集；其中，所述图像变化包括高斯
‑
拉普拉斯变换、小波变换、平方根滤波中的至少一种；提取所述扩增集中的任一图像的一阶梯度特征、形状特征和纹理特征中的至少一种。5.根据权利要求1所述的方法，其特征在于，所述基于多级特征选择策略，从所述第一影像特征中筛选出用于区分所述正常区域和所述异常区域的第二影像特征，包括：从所述第一影像特征中选择出满足显著性的显著特征；基于至少两种特征选择方法，从所述显著特征中筛选出满足所述特征选择方法的选择条件的第三影像特征；利用至少一种分类模型从所述第三影像特征中选择出满足分类条件...

【专利技术属性】
技术研发人员：郭英委，曾学强，冯孟婷，缪晓强，曹冯秋，杨英健，康雁，
申请(专利权)人：东北大学，
类型：发明
国别省市：