医学图像的病理分布生成方法、系统及计算机可读存储介质技术方案

本发明专利技术提供了一种医学图像的病理分布生成方法、系统及计算机可读存储介质，病理分布生成方法，包括以下步骤：获取医学图像的图像数据的待处理矩阵集合，并对待处理矩阵集合预处理，以得到医学图像的感兴趣区域及感兴趣区域对应的类别标签；对感兴趣区域标准化，并基于分类器对标准化后的感兴趣区域作特征提取，以形成特征向量；对n维的特征向量作非线性降维，以生成具有低维坐标的低维嵌入；基于具有低维坐标的低维嵌入绘制病理分布场图像。采用上述技术方案后，实现对非线性二维矩阵数据样本之间特征的区分与相似性衡量，保留数据中的重要结构信息，优化数据处理的结果。优化数据处理的结果。优化数据处理的结果。

【技术实现步骤摘要】
医学图像的病理分布生成方法、系统及计算机可读存储介质


[0001]本专利技术涉及医学影像处理领域，尤其涉及一种医学图像的病理分布生成方法、系统及计算机可读存储介质。

技术介绍

[0002]近年来在处理医学图像智能诊断问题时，多采用卷积神经网络为主体，它旨在利用学习理论与统计学的思想，把医学图像信息转化为少数几个诊断指标，但其深层作用机制尚不明了。另一方面，目前辅助医学诊断的卷积神经网络分类器往往只输出分类概率值，缺失了关于图像本身及其与其他图像之间关系的丰富图像信息。
[0003]而在高维可视化技术中，降维方法DRT在样本量和输入维数方面具有更好的扩展性，已成为探索数据结构的首选工具。在过去的10年里，T
‑
SNE是最著名和最流行的技术之一，它是一种基于机器学习的降维手法，通过构造条件概率基于对象相似性的高维概率分布，并在低维降低类似分布之间的KL散度进行合理的低维可视化。然而它对于大规模数据具有速度限制，且输出结果不稳定。为了克服这些局限性，人们提出了统一流形近似投影(UMAP)，它为高维和低维数据嵌入构造模糊拓扑表示，并使用交叉熵优化低维嵌入使其模糊拓扑与高维相似，它基于黎曼几何与代数拓扑，具有更严格的理论论证。该算法无维度计算限制，成为通用DRT中的优秀代表性方法。
[0004]但是，对于具有类间相似性和类内差异性的医学图像而言，采用通用的非线性降维方法并不能形成有病理意义的图像相似度分布场，从而用于区分医学影像中的病灶性质。使用卷积神经网络编码图像特征，然后进行非线性降维是一种解决手段，但其二段式的操作模式使得可视化结果并没有有效结合卷积神经网络与降维方法两者的优点，反而造成信息的损失，无法真正提高影像科医生基于医学影像进行病灶性质鉴别的效果。
[0005]因此，需要一种新型对医学图像处理后，可得到病理分布的可视化辅助方法和系统，提高对病灶性质自动化鉴别的效率。

技术实现思路

[0006]为了克服上述技术缺陷，本专利技术的目的在于提供一种医学图像的病理分布生成方法、系统及计算机可读存储介质，以实现对非线性二维矩阵数据样本之间特征的区分与相似性衡量，保留数据中的重要结构信息，优化数据处理的结果。
[0007]本专利技术公开了一种医学图像的病理分布生成方法，包括以下步骤：
[0008]获取医学图像的图像数据的待处理矩阵集合，并对待处理矩阵集合预处理，以得到医学图像的感兴趣区域及感兴趣区域对应的类别标签；
[0009]对感兴趣区域标准化，并基于分类器对标准化后的感兴趣区域作特征提取，以形成n维的特征向量；
[0010]对n维的特征向量作非线性降维，以生成具有低维坐标的低维嵌入；
[0011]基于具有低维坐标的低维嵌入绘制病理分布场图像。
[0012]优选地，获取医学图像的图像数据的待处理矩阵集合，并对待处理矩阵集合预处理，以得到医学图像的感兴趣区域及感兴趣区域对应的类别标签的步骤包括：
[0013]获取医学图像中与像素点对应的像素值矩阵数据为待处理矩阵集合，或获取属于不同类别的实验数据为待处理矩阵集合；
[0014]对待处理矩阵集合预处理，以得到医学图像的感兴趣区域；
[0015]分析感兴趣区域，基于病理性质设定N种分类问题，对感兴趣区域标签为0到N
‑
1，以作为感兴趣区域对应的类别标签。
[0016]优选地，对感兴趣区域标准化，并基于分类器对标准化后的感兴趣区域作特征提取，以形成n维的特征向量的步骤包括：
[0017]获取感兴趣区域形成的感兴趣区域集合，并基于预设像素大小对感兴趣区域集合的感兴趣区域作尺寸标准化及像素归一化处理；
[0018]选取使用分类标签进行监督学习训练的卷积神经网络，并将标准化后的感兴趣区域输入卷积神经网络，通过卷积神经网络计算最后一个全连接层前的特征向量及病理类别概率值p
i
；
[0019]对特征向量作归一化处理为并与病理类别概率值p
i
合并，以构成为特征向量集合。
[0020]优选地，对n维的特征向量作非线性降维，以生成具有低维坐标的低维嵌入的步骤包括：
[0021]获取特征向量集合X＝{x1,x2,
…
,x
n
},x
i
∈R
M
，其中为x
i
相对于度量d
CReUMAP
的k个近邻点构成的点集；
[0022]基于以下公式构造特征向量集合的高斯模糊表示
[0023][0024]其中V＝X，E表示边集，且ω为点集对应的权重矩阵，且ω在位置{(i,i
h
)|1≤h≤k,1≤i≤n}上的取值依据以下公式：
[0025][0026]其中σ
i
为归一化子，ρ
i
为最近邻距离，基于以下公式计算：
[0027][0028][0029]其中度量d
CReUMAP
基于以下公式计算：
[0030][0031]其中λ∈[0,1]为超参数，与d
probability
(p
i
,p
j
)为度量函数；
[0032]将高斯模糊表示的邻接矩阵定义为A，基于以下公式对A对称化：
[0033][0034]其中T表示矩阵转置，表示矩阵乘法，矩阵B用作为定义为X的高维表示；
[0035]假设D为D＝diag(d1,d2,
…
,d
n
),L为
[0036]取L的特征向量的前K维后归一化，并叠加正态分布的噪声，组成Y，Y＝{y1,y2,
…
,y
n
},以将Y用作为初始化的低维表示，并假设Y对应的图结构为G
y
，B
′
为G
y
关于欧氏距离的邻接矩阵；
[0037]使用随机梯度下降优化低维表示Y，并基于以下公式最小化特征向量集合X与低维表示Y的邻接矩阵间的交叉熵：
[0038][0039]最小化交叉熵后得到的Y记作为具有低维坐标的低维嵌入。
[0040]优选地，还包括以下步骤：
[0041]获取另一批医学图像的感兴趣区域及感兴趣区域对应的类别标签，基于卷积神经网络对另一批医学图像的感兴趣区域处理以得到新特征向量及新病理类别概率值，并将新特征向量及新病理类别概率值合并，得到特征数据；
[0042]基于已有的低维嵌入，对特征数据作非线性降维以生成新低维嵌入；
[0043]基于新低维嵌入和类别标签生成分布区域，并将分布区域绘制于病理分布场图像内。
[0044]优选地，获取另一批医学图像的感兴趣区域及感兴趣区域对应的类别标签，基于卷积神经网络对另一批医学图像的感兴趣区域处理以得到新特征向量及新病理类别概率值，并将新特征向量及新病理类别概率值合并，得到特征数据的步骤包括：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学图像的病理分布生成方法，其特征在于，包括以下步骤：获取医学图像的图像数据的待处理矩阵集合，并对所述待处理矩阵集合预处理，以得到所述医学图像的感兴趣区域及所述感兴趣区域对应的类别标签；对所述感兴趣区域标准化，并基于分类器对标准化后的感兴趣区域作特征提取，以形成n维的特征向量；对所述n维的特征向量作非线性降维，以生成具有低维坐标的低维嵌入；基于具有低维坐标的低维嵌入绘制病理分布场图像。2.如权利要求1所述的病理分布生成方法，其特征在于，获取医学图像的图像数据的待处理矩阵集合，并对所述待处理矩阵集合预处理，以得到所述医学图像的感兴趣区域及所述感兴趣区域对应的类别标签的步骤包括：获取医学图像中与像素点对应的像素值矩阵数据为待处理矩阵集合，或获取属于不同类别的实验数据为待处理矩阵集合；对所述待处理矩阵集合预处理，以得到所述医学图像的感兴趣区域；分析所述感兴趣区域，基于病理性质设定N种分类问题，对感兴趣区域标签为0到N
‑
1，以作为感兴趣区域对应的类别标签。3.如权利要求2所述的病理分布生成方法，其特征在于，对所述感兴趣区域标准化，并基于分类器对标准化后的感兴趣区域作特征提取，以形成n维的特征向量的步骤包括：获取感兴趣区域形成的感兴趣区域集合，并基于预设像素大小对感兴趣区域集合的感兴趣区域作尺寸标准化及像素归一化处理；选取使用分类标签进行监督学习训练的卷积神经网络，并将标准化后的感兴趣区域输入卷积神经网络，通过卷积神经网络计算最后一个全连接层前的特征向量及病理类别概率值p
i
；对特征向量作归一化处理为并与病理类别概率值p
i
合并，以构成为特征向量集合。4.如权利要求3所述的病理分布生成方法，其特征在于，对所述n维的特征向量作非线性降维，以生成具有低维坐标的低维嵌入的步骤包括：获取特征向量集合X＝{x1,x2,
…
,x
n
},x
i
∈R
M
，其中为x
i
相对于度量d
CReUMAP
的k个近邻点构成的点集；基于以下公式构造特征向量集合的高斯模糊表示基于以下公式构造特征向量集合的高斯模糊表示其中V＝X，E表示边集，且ω为点集对应的权重矩阵，且ω在位置{(i,i
h
)|1≤h≤k,1≤i≤n}上的取值依据以下公式：其中σ
i
为归一化子，ρ
i
为最近邻距离，基于以下公式计算：
其中度量d
CReUMAP
基于以下公式计算：其中λ∈[0,1]为超参数，与d
probability
(p
i
,p
j
)为度量函数；将高斯模糊表示的邻接矩阵定义为A，基于以下公式对A对称化：其中T表示矩阵转置，表示矩阵乘法，矩阵B用作为定义为X的高维表示；假设D为D＝diag(d1,d2,
…
,d
n
),L为取L的特征向量的前K维后归一化，并叠加正态分布的噪声，组成Y，Y＝{y1,y2,
…
,y
n
},以将Y用作为初始化的低维表示，并假设Y对应的图结构为...

【专利技术属性】
技术研发人员：徐磊，代汶利，王亚娟，孔德兴，
申请(专利权)人：海盐县南北湖医学人工智能研究院，
类型：发明
国别省市：