多模态医学图像融合分类方法及装置、设备、存储介质制造方法及图纸

本发明专利技术属于图像分类技术领域，公开了一种多模态医学图像融合分类方法，通过根据样本对象的不同扫描序列图像的特征数据学习投影到潜在共享空间获得潜在特征表示，通过一阶矩、二阶矩匹配以及多个潜在表征正则化项构建目标函数，对当前投影矩阵进行迭代更新直至收敛，以及利用特征数据和标签数据训练得到分类模型，利用获得的目标投影矩阵对未知待测对象的特征数据投影到潜在共享空间获得新的特征数据输入分类模型分类，由此可以保留原始空间中的数据属性，减少信息损失，同时考虑不同模态间分布相似性，减少模态间差异，学习潜在共享空间的类内和类间关联，使不同类之间的区分度更大，从而提高分类准确性。从而提高分类准确性。从而提高分类准确性。

【技术实现步骤摘要】
多模态医学图像融合分类方法及装置、设备、存储介质


[0001]本专利技术属于图像分类
，具体涉及一种多模态医学图像融合分类方法及装置、设备、存储介质。

技术介绍

[0002]胶质母细胞瘤(Glioblastoma Multiforme，GBM)和单发性脑转移瘤(Solitary Brain Metastasis，SBM)是两种较常见的侵袭性恶性脑瘤，它们的治疗策略有很大差异：胶质母细胞瘤的治疗标准是肿瘤最大限度切除，随后进行放射治疗和替莫唑胺化疗；而单发性脑转移瘤的主要治疗方式是立体定位放射治疗。然而，这两种肿瘤在磁共振成像(Magnetic Resonance Imaging，MRI)上具有相似的影像表现，病灶均可能具有肿瘤内坏死中心和被肿瘤周围水肿区域包围的异质增强成分。因此，胶质母细胞瘤和单发性脑转移瘤的术前精确鉴别诊断对个体化治疗决策选择至关重要。
[0003]近年来，影像组学广泛地应用于疾病的诊断、预后以及治疗反应预测等。许多研究基于常规的MRI序列或更先进的MRI技术，如弥散加权成像(diffusion
‑...

【技术保护点】

【技术特征摘要】
1.多模态医学图像融合分类方法，其特征在于，包括：获取样本对象的多模态医学图像和标签数据，其中，所述多模态医学图像包括至少两个不同的扫描序列图像，所述标签数据用于表征所述样本对象的肿瘤类别，所述肿瘤类别至少包括两个；对各个所述扫描序列图像进行特征提取，获得对应的第一特征数据；将各个所述第一特征数据投影到潜在共享空间获得对应的第二特征数据；其中，所述第二特征数据的维度小于所述第一特征数据的维度；根据所述第一特征数据、所述第二特征数据和对应的标签数据，计算一阶矩、二阶矩、用于规避过拟合的第一正则化值、用于表征特征共线性的第二正则化值、用于表征类内关联的第三正则化值、用于表征类间关联的第四正则化值、用于表征数据属性的第五正则化值；根据所述一阶矩、所述二阶矩、所述第一正则化值、所述第二正则化值、所述第三正则化值、所述第四正则化值和所述第五正则化值，构建目标函数；利用随机数初始化处理，获得当前投影矩阵；根据所述目标函数对所述当前投影矩阵进行迭代更新，直至所述目标函数收敛，获得目标投影矩阵；其中，所述目标投影矩阵用于将所述第一特征数据投影到潜在共享空间；将所述第二特征数据和所述标签数据输入分类器训练获得分类模型；利用所述目标投影矩阵将待测对象的至少两个目标第一特征数据投影到潜在共享空间，获得对应的目标第二特征数据；利用所述分类模型对所述目标第二特征数据进行分类，获得所述待测对象的目标肿瘤类别。2.如权利要求1所述的多模态医学图像融合分类方法，其特征在于，对各个所述扫描序列图像进行特征提取，获得对应的第一特征数据，包括：获取各个所述扫描序列图像的感兴趣区域对应的掩膜图；根据每个所述掩膜图，对相应的各个所述扫描序列图像的感兴趣区域进行放射组学特征提取，获得各个所述扫描序列图像对应的第一特征数据。3.如权利要求2所述的多模态医学图像融合分类方法，其特征在于，获取各个所述扫描序列图像的感兴趣区域对应的掩膜图，包括：根据用户输入的操作参数，对各个所述扫描序列图像进行靶区勾画，获得各个所述扫描序列图像的感兴趣区域；对各个所述扫描序列图像的感兴趣区域进行掩膜计算，获得对应的掩膜图。4.如权利要求1至3任一项所述的多模态医学图像融合分类方法，其特征在于，根据所述目标函数对所述当前投影矩阵进行迭代更新，包括：对所述当前投影矩阵的每一列进行归一化处理；计算所述目标函数相对于所述当前投影矩阵的目标梯度；根据所述目标总梯度，计算新一代的当前投影矩阵。5.如权利要求4所述的多模态医学图像融合分类方法，其特征在于，计算所述目标函数相对于所述当前投影矩阵的目标梯度，包括：计算所述第一正则化值相对于所述当前投影矩阵的第一子梯度；
计算所述第二正则化值相对于所述当前投影矩阵的第二子梯度；计算所述第三正则化值相对于所述当前投影矩阵的第三子梯度；计算所述第四正则化值相对于所述当前投影矩阵的第四子梯度；计算所述第五正则化值相对于所述当前投影矩阵的第五子梯度；计算所述一阶矩相对于所述当前投影矩阵的第六子梯...

【专利技术属性】
技术研发人员：王琳婧，谢金城，甄鑫，张书旭，廖煜良，
申请(专利权)人：广州医科大学附属肿瘤医院，
类型：发明
国别省市：