CN108764367B - 一种基于关系正则化的特征图像提取装置及提取方法 - Google Patents
一种基于关系正则化的特征图像提取装置及提取方法 Download PDFInfo
- Publication number
- CN108764367B CN108764367B CN201810579502.2A CN201810579502A CN108764367B CN 108764367 B CN108764367 B CN 108764367B CN 201810579502 A CN201810579502 A CN 201810579502A CN 108764367 B CN108764367 B CN 108764367B
- Authority
- CN
- China
- Prior art keywords
- feature
- image
- matrix
- similarity
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title abstract description 10
- 238000005481 NMR spectroscopy Methods 0.000 claims abstract description 45
- 238000009792 diffusion process Methods 0.000 claims abstract description 45
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 73
- 230000004044 response Effects 0.000 claims description 70
- 239000013598 vector Substances 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000002597 diffusion-weighted imaging Methods 0.000 claims description 5
- 238000010224 classification analysis Methods 0.000 claims description 4
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- VYFYYTLLBUKUHU-UHFFFAOYSA-N dopamine Chemical compound NCCC1=CC=C(O)C(O)=C1 VYFYYTLLBUKUHU-UHFFFAOYSA-N 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 229960003638 dopamine Drugs 0.000 description 6
- 210000001519 tissue Anatomy 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 3
- 208000032140 Sleepiness Diseases 0.000 description 2
- 206010041349 Somnolence Diseases 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于关系正则化的特征图像提取装置及提取方法，提取装置包括：图像预处理模块，用于对核磁共振图像以及扩散加权图像进行预处理，从所述核磁共振图像以及扩散加权图像中获取特征图像，特征提取模块，用于从所述特征图像中提取出关键元素特征；选择模型建立模块，用于选取特征选择函数，并引入正则项进行训练，建立特征选择模型；特征提取模块，用于利用特征选择模型从关键元素特征中提取出目标特征。本发明通过对核磁共振图像进行预处理，并引入正则项构建特征选择模型，利用特征选择模型进行特征筛选，以提取出图像中的目标特征，本发明能够更为准确的提取出图像中的目标特征，以便对目标特征进行准确的分析。
Description
技术领域
本发明涉及医疗图像处理技术领域，尤其涉及的是一种基于关系正则化的特征图像提取装置及提取方法。
背景技术
随着科技的不断发展，图像处理技术的发展也越来越迅速，应用领域也越来越广泛。尤其是在医学领域，图像处理技术同样被应用在很多方面，例如可以帮助医护人员得到更加清晰的医学图像、帮助医护人员从医学图像中提取所需的特征进行分析等等。
但是现有技术中对于医学图像的处理效果并不理想，难以准确出提取出所需要的目标特征，从而导致无法对医学图像进行准确的分析，影响了医护人员工作效率。并且在利用提取出的特征进行分析时，容易造成过拟合的现象。
因此，现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于关系正则化的特征图像提取装置及提取方法，旨在解决现有技术中的对于图像处理技术中难以准确提取出目标特征，导致无法对医学图像进行准确的分析等问题。
本发明解决技术问题所采用的技术方案如下：
一种基于关系正则化的特征图像提取装置，其中，所述提取装置包括：
图像预处理模块，用于对核磁共振图像以及扩散加权图像进行预处理，从所述核磁共振图像以及扩散加权图像中获取特征图像；
特征提取模块，用于从所述特征图像中提取出关键元素特征；
选择模型建立模块，用于选取特征选择函数，并引入正则项进行训练，建立出用于从关键元素特征中筛选目标特征的特征选择模型；
特征筛选模块，用于利用所述特征选择模型从所述关键元素特征中筛选出目标特征。
所述的基于关系正则化的特征图像提取装置，其中，所述提取装置还包括：
分析模块，用于将筛选出的目标特征输入支持向量机中，得出初步结果，并通过对初步结果的加权求和，得出最终结果；
所述最终结果包括：所述目标特征的所属类别以及对所述目标特征起关键作用的影响因子所占的比值。
所述的基于关系正则化的特征图像提取装置，其中，所述图像预处理模块具体包括:
图像获取单元，用于采用核磁共振成像技术以及扩散加权成像技术获取待分析样本的核磁共振图像以及扩散加权图像；
图像分割单元，用于采用vbm8工具对核磁共振图像进行分割处理，并采用FSL工具对扩散加权图像进行预处理；
图像获取单元，用于从经过预处理后的核磁共振图像中提取特征图像以及从扩散加权图像中获取平均扩散系数特征图像。
所述的基于关系正则化的特征图像提取装置，其中，所述特征提取模块具体包括：
第一特征提取单元，用于利用自动解剖标记模板从核磁共振图像中提取的特征图像中提取关键元素特征；
第二特征提取单元，用于从扩散加权图像中提取的平均扩散系数特征图像中提取关键元素特征；所述关键元素特征中包含有目标特征。
所述的基于关系正则化的特征图像提取装置，其中，所述选择模型建立模块中的正则项包括：目标响应矩阵与预测响应的相似性、特征与特征的相似性以及样本与样本的相似性。
所述的基于关系正则化的特征图像提取装置，其中，所述目标响应矩阵与预测响应的相似性包括：任意两列目标响应变量差值与对应的两列预测响应变量差值相似性以及任意两行目标响应变量差值与对应的两行预测响应变量差值相似性。
所述的基于关系正则化的特征图像提取装置，其中，所述分析模块具体包括：
分类分析单元，用于将筛选出的目标特征输入支持向量分类机中，得出初步分类结果，并通过对初步分类结果的加权求和，得出最终分类结果，以确定提取出的目标特征的类别；
回归分析单元，用于将筛选出的目标特征输入支持向量回归机中，得出各个影响因子的比值预测结果，并通过对比值预测结果的加权求和，得出各个影响因子所占的比值。
所述的基于关系正则化的特征图像提取装置，其中，所述影响因子为对所述目标特征的存在以及含量起关键作用的因素。
一种基于关系正则化的特征图像提取方法，其中，所述提取方法包括：
步骤A、对核磁共振图像以及扩散加权图像进行预处理，从所述核磁共振图像以及扩散加权图像中获取特征图像；
步骤B、从所述特征图像中提取出关键元素特征；
步骤C、选取特征选择函数，并引入正则项进行训练，建立出用于从关键元素特征中筛选目标特征的特征选择模型；
步骤D、利用所述特征选择模型从所述关键元素特征中筛选出目标特征。
所述的基于关系正则化的特征图像提取方法，其中，所述提取方法还包括：
步骤E、将筛选出的目标特征输入支持向量机中，得出初步结果，并通过对初步结果的加权求和，得出最终结果；
所述最终结果包括：所述目标特征的所属类别以及对所述目标特征起关键作用的影响因子所占的比值。
本发明的有益效果：本发明通过对核磁共振图像进行预处理，并引入正则项构建特征选择模型，利用特征选择模型对待分析的核磁共振图像进行特征筛选，以提取出图像中的目标特征，相对于传统的特征图像提取，本发明能够更为准确的提取出图像中的目标特征，以便对目标特征进行准确的分析。
附图说明
图1是本发明的基于关系正则化的特征图像提取装置的功能原理图。
图2是本发明的基于关系正则化的特征图像提取方法的较佳实施例的流程图。
图3是本发明的基于关系正则化的特征图像提取方法的具体实施流程示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
现今，在医学领域中，图像处理技术的应用已经越来越广泛。甚至对于某些疾病的分析与研究来说，图像分析在整个分析与研究的过程中起着至关重要的作用，它可以帮助医护人员更加高效的工作、提供更外客观的判断依据、避免出现误判等风险。但是由于现有的医学图像处理方法中存在很多缺陷，例如无法从图像中提取出所需要的目标特征、容易出现过拟合现象等等。为了解决上述问题，本发明提供一种基于关系正则化的特征图像提取装置，具体如图1中所示。所述提取装置包括：图像预处理模块101、特征提取模块102、选择模型建立模块103以及特征筛选模块104。
具体地，所述图像预处理模块101用于对核磁共振图像以及扩散加权图像进行预处理，从所述核磁共振图像以及扩散加权图像中获取特征图像。具体在实施时，本发明首先通过核磁共振成像技术以及扩散加权成像技术获取待分析样本的核磁共振图像以及扩散加权图像。磁共振成像是利用原子核在磁场内共振产生的信号经重建成像的成像技术。扩散加权成像提供了不同于常规核磁共振成像(MRI)图像的组织对比，能对组织的生存和发育提供潜在的、惟一的信息，因此在本发明中获取到扩散加权图像是很有必要的，这样才有助于从图像中准确提取出目标特征信息。在获取到待分析样本的核磁共振图像以及核磁共振扩散加权图像之后，本发明采用vbm8工具对核磁共振图像进行分割处理。并从经过分割之后的核磁共振图像中提取出特征图像，该特征图像就为核磁共振图像中主要组织的特征，例如，脑部核磁共振图像在预处理后的特征图像就可为是灰质组织图像、脑脊液组织图像等。同时本发明采用FSL工具(一种基于框架的控制表示工具)对扩散加权图像进行预处理并计算出平均扩散系数特征图像。
进一步地，特征提取模块102用于从所述特征图像中提取出关键元素特征。具体实施时，本发明利用自动解剖标记模板从核磁共振图像中提取的特征图像(上述实施例中灰质组织图像和脑脊液组织图像)中提取关键元素特征，同时从扩散加权图像中提取的平均扩散系数特征图像中提取关键元素特征，所述关键元素特征中包含有目标特征。
更进一步地，选择模型建立模块103用于选取特征选择函数，并引入正则项进行训练，建立出用于从关键元素特征中筛选目标特征的特征选择模型。具体实施时，本发明主要的目的是建立可以更为准确的特征选择模型，因此特征选择模型是起到关键性作用，特征选择模型筛选出的特征好坏，直接影响分类和回归性能。因此本发明对传统的特征选择函数进行改进，具体如下。
令X∈Rd×n和Y∈Rs×n表示n个样本，d维特征、s个响应变量的训练数据矩阵和目标响应矩阵，数据矩阵X＝[xkl]，其中xk和xl表示它的第k行和第l列，响应矩阵由4个影响因子，的比值和类标签组成。在本实施例中，影响因子为对所述目标特征起关键性作用的因素，例如需要筛选出多巴胺，则目标特征即为多巴胺组织，而对多巴胺起关键性作用的可以从待分析样本的抑郁、嗜睡、嗅觉以及认知这四个方面得到体现，因此这就是4个影响因子。一般情况下，特征选择函数，该特征选择函数为回归与分类模型，具体如下：
其中W∈Rd×s是权重系数矩阵，每列表示每个特征对应的权重系数，每行表示某维特征在多个任务下的权重系数，而
是预测的响应矩阵。但是由于影像数据样本小、维度高，这个模型容易造成过拟合问题。因此，为了避免过拟合的问题，本发明加入正则项来增强泛化能力，有正则项的特征选择模型如下：
进一步地，为了增强特征选择模型的特征选择能力，本发明中在特征选择函数中所加的正则项包括：目标响应矩阵与预测响应的相似性、特征与特征的相似性以及样本与样本的相似性。
本实施例中，对于目标响应矩阵Y和预测出的响应矩阵
这两个矩阵存在固有的内部联系，即目标响应矩阵任意两列差值(yi-yj)与预测响应矩阵对应的两列差值
存在相似性，目标响应矩阵任意两行差值(yi-yj)与预测响应矩阵对应的两行差值
存在相似性，因此这两种相似性被定义成如下两个正则项。
其中λ1和λ2是正则项的控制参数。
更进一步地，本发明中提取出的特征之间也存在相似性，由于矩阵相乘特征，如果两个特征(xi和xj)之间存在相似性，它们对应的权重向量(wi和wj)也将是相似的，为了量化这种关系，本发明将这种正则项定义为如下：
其中λ3是正则化参数，hij表示特性相似性矩阵H＝[hij]∈Rd×d的元素，这量化特征之间的相似性。
此外，如果两个样本(xi和xj)之间也存在相似性，他们对应的预测权重向量(
和
)也将是相似的，因为WTxi和WTxj分别与
和
相对应，本发明同样量化这种关系如下：
其中λ4是正则化参数，vij表示样本相似性矩阵V＝[vij]∈Rn×n的元素，这量化样本之间的相似性。
为了测量向量a和b相似性值，我们利用热核函数，定义如下：
其中σ表示核宽，本发明使用上述热核函数来计算特征与特征、样本与样本的相似性大小，例如对于相似矩阵V，如果样本xi是样本xj的k个最近邻域中的一个，那么它们的相似性为g(xi，xj)，否则为0。
进一步地，由于医学领域中的很多医学图像中的目标特征均受到待测样本的影响因子的影响，甚至是直接影响到待测样本的临床表现以及目标特征的所属类别。例如上述实施例中多巴胺的影响因子为抑郁、嗜睡、嗅觉以及认知，多巴胺如果过多则在上述影响因子的比值上会有所体现，而这几种影响因子又对多巴胺的类别起到关键性作用，假如某种影响因子的比例比较大，则可以确定多巴胺是否过多。本发明使用相同的特征来进行分类和回归分析，因此本发明在W上使用
范式，以选择出共有目标特征，以提高目标特征的提取准确度，所以本发明最终的特征选择模型如下：
其中λ5表示特征稀疏控制参数，该参数越大，选择出的特征越少。
进一步地，特征筛选模块104用于利用所述特征选择模型从所述关键元素特征筛选出目标特征。当创建出本发明的特征选择模型之后，本发明利用所述特征选择模型从特征提取模块102中的关键元素特征中提取出目标特征，该目标特征为医护人员所需要的特征，通过该特征可以对待分析样本的核磁共振图像进行准确的分析与判断，有效提高医护人员的工作效率。
进一步地，本发明的提取装置还包括分析模块105，所述分析模块用于将筛选出的目标特征输入支持向量机中，得出初步结果，并通过对初步结果的加权求和，得出最终结果。具体实施时，本发明中所筛选出的目标特征是代表核磁共振图像中的某一个关键的特征，该特征可以帮助医护人员更好的分析待分析样本的医学图像。为了提高分析的准确性，本发明对所述目标特征进一步分析，将筛选出的目标特征输入支持向量分类机中，得出初步分类结果，并通过对初步分类结果的加权求和，得出最终分类结果，以确定提取出的目标特征的类别，从而提高医护人员的工作效率。目标特征的类别可以有很多种，可以将类别分为阶段性类别，例如可以通过目标特征确定待分析样本的核磁共振图像是哪一个阶段的图像。
较佳地，本发明还将筛选出的目标特征输入支持向量回归机中，得出各个影响因子的比值预测结果，并通过对比值预测结果的加权求和，得出各个影响因子所占的比值。所述影响因子为对所述目标特征的存在以及含量起关键作用的因素，通过对影响因子的比值进行分析，可以进一步地帮助医护人员更为全面的了解该待分析样本的医学图像，同样地，可以帮助医护人员更好地对待分析样本的核磁共振图像进行分类。
基于上述实施例，本发明还提供一种基于关系正则化的特征图像提取方法，如图2中所示，所述提取方法包括：
步骤S100、对核磁共振图像以及扩散加权图像进行预处理，从所述核磁共振图像以及扩散加权图像中获取特征图像；
步骤S200、从所述特征图像中提取出关键元素特征；
步骤S300、选取特征选择函数，并引入正则项进行训练，建立出用于从关键元素特征中筛选目标特征的特征选择模型；
步骤S400、利用所述特征选择模型从所述关键元素特征中筛选出目标特征。
所述步骤S400之后还包括：筛选出的目标特征输出支持向量机中，得出初步结果，并通过对初步结果的加权求和，得出最终结果；所述最终结果包括：所述目标特征的所属类别以及对所述目标特征起关键作用的影响因子所占的比值。
为了进一步说明本发明的技术方案，本发明还提供基于关系正则化的特征图像提取方法的具体实施方式，如图3所示，本实施例以脑部核磁共振图像为例，具体地，本发明首先获取待分析样本的核磁共振图像以及扩散加权图像并进行处理，从核磁共振图像中可提取出特征图像(本实施例可为灰质以及脑脊液的图像)，从扩散加权图像中提取的平均扩散系数特征图像，进而提取出关键元素特征。然后利用经过引入关系正则化的特征选择模型对关键元素特征进行筛选，从而选择出目标特征。进一步地，将选择出的目标特征输入支持向量机中进行分类与回归分析。具体为，首先通过支持向量机得出初步值，再通过加权求和输出分类与回归结果，所述分类与回归结果就可为目标特征的所属类别以及对所述目标特征起关键作用的影响因子所占的比值。
综上所述，本发明公开了基于关系正则化的特征图像提取装置及提取方法，提取装置包括：图像预处理模块，用于对核磁共振图像以及扩散加权图像进行预处理，从所述核磁共振图像以及扩散加权图像中获取特征图像；特征图像提取模块，用于从所述特征图像中提取出关键元素特征；选择模型建立模块，用于选取特征选择函数，并引入正则项进行训练，建立特征选择模型；特征提取模块，用于利用特征选择模型从关键元素特征中提取出目标特征。本发明通过对核磁共振图像进行预处理，并引入正则项构建特征选择模型，利用特征选择模型进行特征筛选，以提取出图像中的目标特征，本发明能够更为准确的提取出图像中的目标特征，以便对目标特征进行准确的分析。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (6)
1.一种基于关系正则化的特征图像提取装置，其特征在于，所述提取装置包括：
图像预处理模块，用于对核磁共振图像以及扩散加权图像进行预处理，从所述核磁共振图像以及扩散加权图像中获取特征图像；
特征提取模块，用于从所述特征图像中提取出关键元素特征；
选择模型建立模块，用于选取特征选择函数，并引入正则项进行训练，建立出用于从关键元素特征中筛选目标特征的特征选择模型；
特征筛选模块，用于利用所述特征选择模型从所述关键元素特征中筛选出目标特征；
所述选择模型建立模块中的正则项包括：目标响应矩阵与预测响应的相似性、特征与特征的相似性以及样本与样本的相似性；
所述目标响应矩阵与预测响应的相似性包括：任意两列目标响应变量差值与对应的两列预测响应变量差值相似性以及任意两行目标响应变量差值与对应的两行预测响应变量差值相似性；
其中，所述任意两行目标响应变量差值与对应的两行预测响应变量差值相似性具体为：
，
其中是正则化参数为所述目标响应矩阵的行，为所述预测响应矩阵的行，是权重系数矩阵，，为所述权重系数矩阵的列，为训练数据矩阵；
所述任意两列目标响应变量差值与对应的两列预测响应变量差值相似性具体为：
，
其中，是正则项的控制参数，，为目标响应矩阵的列值，，为预测响应矩阵对应的列，是所述权重系数矩阵，每列表示每个特征对应的权重系数，每行表示某维特征在多个任务下的权重系数，，为所述训练数据矩阵的列；
所述特征与特征的相似性包括：权重系数矩阵任意一行权重向量与任意一行权重向量差值相似性；其中，所述权重系数矩阵任意一行权重向量与任意一行权重向量差值相似性具体为：
，
其中是正则化参数，表示特性相似性矩阵的元素；
所述样本与样本的相似性包括：预测响应矩阵任意一列预测权重向量与任意一列预测权重向量差值相似性；其中，所述预测响应矩阵任意一列预测权重向量与任意一列预测权重向量差值相似性具体为：
，
其中是正则化参数，表示样本相似性矩阵的元素；
所述特征选择函数包括训练数据矩阵、目标响应矩阵、权重系数矩阵和预测响应矩阵，所述目标响应矩阵由4个影响因子的比值和类标签组成，其中所述影响因子为对所述目标特征起关键性作用的因素，所述权重系数矩阵，每列表示每个特征对应的权重系数，每行表示某维特征在多个任务下的权重系数，所述预测响应矩阵是所述权重系数矩阵和训练数据矩阵的乘积；其中，所述特征选择函数具体为：
,
其中和表示n个样本，d维特征、s个响应变量的所述训练数据矩阵和所述目标响应矩阵，是所述预测响应矩阵；
所述选择模型建立模块还包括热核函数，通过所述热核函数计算特征与特征、样本与样本的相似性大小；其中，所述热核函数为：，其中表示核宽；
所述特征选择模型具体为：
，
其中表示特征稀疏控制参数；
所述图像预处理模块具体包括：
图像获取单元，用于采用核磁共振成像技术以及扩散加权成像技术获取待分析样本的核磁共振图像以及扩散加权图像；图像分割单元，用于采用 vbm8 工具对核磁共振图像进行分割处理，并采用 FSL 工具对扩散加权图像进行预处理；
图像获取单元，用于从经过预处理后的核磁共振图像中提取特征图像以及从扩散加权图像中获取平均扩散系数特征图像；
所述特征提取模块具体包括：
第一特征提取单元，用于利用自动解剖标记模板从核磁共振图像中提取的特征图像中提取关键元素特征；
第二特征提取单元，用于从扩散加权图像中提取的平均扩散系数特征图像中提取关键元素特征；所述关键元素特征中包含有目标特征。
2. 根据权利要求 1 所述的基于关系正则化的特征图像提取装置，其特征在于，所述提取装置还包括：
分析模块，用于将筛选出的目标特征输入支持向量机中，得出初步结果，并通过对初步结果的加权求和，得出最终结果；
所述最终结果包括：所述目标特征的所属类别以及对所述目标特征起关键作用的影响因子所占的比值。
3. 根据权利要求 2所述的基于关系正则化的特征图像提取装置，其特征在于，所述分析模块具体包括：
分类分析单元，用于将筛选出的目标特征输入支持向量分类机中，得出初步分类结果，并通过对初步分类结果的加权求和，得出最终分类结果，以确定提取出的目标特征的类别；
回归分析单元，用于将筛选出的目标特征输入支持向量回归机中，得出各个影响因子的比值预测结果，并通过对比值预测结果的加权求和，得出各个影响因子所占的比值。
4. 根据权利要求 3 所述的基于关系正则化的特征图像提取装置，其特征在于，所述影响因子为对所述目标特征的存在以及含量起关键作用的因素。
5.一种基于关系正则化的特征图像提取方法，其特征在于，所述提取方法包括：
步骤 A、对核磁共振图像以及扩散加权图像进行预处理，从所述核磁共振图像以及扩散加权图像中获取特征图像；
步骤 B、从所述特征图像中提取出关键元素特征；
步骤 C、选取特征选择函数，并引入正则项进行训练，建立出用于从关键元素特征中筛选目标特征的特征选择模型；
步骤 D、利用所述特征选择模型从所述关键元素特征中筛选出目标特征；
所述正则项包括：目标响应矩阵与预测响应的相似性、特征与特征的相似性以及样本与样本的相似性；
所述目标响应矩阵与预测响应的相似性包括：任意两列目标响应变量差值与对应的两列预测响应变量差值相似性以及任意两行目标响应变量差值与对应的两行预测响应变量差值相似性；
其中，所述任意两行目标响应变量差值与对应的两行预测响应变量差值相似性具体为：
，
其中是正则化参数，为所述目标响应矩阵的行，，为所述预测响应矩阵的行，是权重系数矩阵，，为所述权重系数矩阵的列，为训练数据矩阵；
所述任意两列目标响应变量差值与对应的两列预测响应变量差值相似性具体为
，
其中，是正则项的控制参数，，为目标响应矩阵的列值，，为预测响应矩阵对应的列，是所述权重系数矩阵，每列表示每个特征对应的权重系数，每行表示某维特征在多个任务下的权重系数，，为所述训练数据矩阵的列；
所述特征与特征的相似性包括：权重系数矩阵任意一行权重向量与任意一行权重向量差值相似性；其中，所述权重系数矩阵任意一行权重向量与任意一行权重向量差值相似性具体为
，
其中是正则化参数，表示特性相似性矩阵的元素；
所述样本与样本的相似性包括：预测响应矩阵任意一列预测权重向量与任意一列预测权重向量差值相似性；其中，所述预测响应矩阵任意一列预测权重向量与任意一列预测权重向量差值相似性具体为，
其中是正则化参数，表示样本相似性矩阵的元素；
所述特征选取函数包括训练数据矩阵、目标响应矩阵、权重系数矩阵和预测响应矩阵，所述目标响应矩阵由 4 个影响因子的比值和类标签组成，其中所述影响因子为对所述目标特征起关键性作用的因素，所述权重系数矩阵，每列表示每个特征对应的权重系数，每行表示某维特征在多个任务下的权重系数，所述预测响应矩阵是所述权重系数矩阵和所述训练数据矩阵的乘积；其中，所述特征选择函数具体为
,
其中和表示n个样本，d维特征、s个响应变量的所述训练数据矩阵和所述目标响应矩阵，是所述预测响应矩阵；
所述选取特征选择函数还包括热核函数，通过所述热核函数计算特征与特征、样本与样本的相似性大小；其中，所述热核函数为，其中表示核宽；
所述特征选择模型具体为：
，
其中表示特征稀疏控制参数；
所述对核磁共振图像以及扩散加权图像进行预处理，具体包括：
采用核磁共振成像技术以及扩散加权成像技术获取待分析样本的核磁共振图像以及扩散加权图像；
采用 vbm8 工具对核磁共振图像进行分割处理，并采用 FSL 工具对扩散加权图像进行预处理；
从经过预处理后的核磁共振图像中提取特征图像以及从扩散加权图像中获取平均扩散系数特征图像；
所述从所述特征图像中提取出关键元素特征，具体包括：
利用自动解剖标记模板从核磁共振图像中提取的特征图像中提取关键元素特征；
从扩散加权图像中提取的平均扩散系数特征图像中提取关键元素特征；所述关键元素特征中包含有目标特征。
6. 根据权利要求 5 所述的基于关系正则化的特征图像提取方法，其特征在于，所述提取方法还包括：
步骤 E、将筛选出的目标特征输入支持向量机中，得出初步结果，并通过对初步结果的加权求和，得出最终结果；
所述最终结果包括：所述目标特征的所属类别以及对所述目标特征起关键作用的影响因子所占的比值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810579502.2A CN108764367B (zh) | 2018-06-07 | 2018-06-07 | 一种基于关系正则化的特征图像提取装置及提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810579502.2A CN108764367B (zh) | 2018-06-07 | 2018-06-07 | 一种基于关系正则化的特征图像提取装置及提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108764367A CN108764367A (zh) | 2018-11-06 |
| CN108764367B true CN108764367B (zh) | 2023-05-12 |
Family
ID=63999266
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810579502.2A Active CN108764367B (zh) | 2018-06-07 | 2018-06-07 | 一种基于关系正则化的特征图像提取装置及提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108764367B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112037914B (zh) * | 2020-08-11 | 2021-06-01 | 深圳大学 | 一种强迫症风险评估模型的构建方法、***及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103810252A (zh) * | 2014-01-21 | 2014-05-21 | 南京信息工程大学 | 一种基于群稀疏特征选择的图像检索方法 |
| CN105740912A (zh) * | 2016-02-03 | 2016-07-06 | 苏州大学 | 基于核范数正则化的低秩图像特征提取的识别方法及*** |
| CN106485707A (zh) * | 2016-10-11 | 2017-03-08 | 中国科学院苏州生物医学工程技术研究所 | 基于脑核磁共振图像的多维特征分类算法 |
| CN107610049A (zh) * | 2017-08-21 | 2018-01-19 | 华侨大学 | 基于稀疏正则化技术和加权引导滤波的图像超分辨率方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8600193B2 (en) * | 2008-07-16 | 2013-12-03 | Varian Medical Systems, Inc. | Image stitching and related method therefor |
| JP5161845B2 (ja) * | 2009-07-31 | 2013-03-13 | 富士フイルム株式会社 | 画像処理装置及び方法、データ処理装置及び方法、並びにプログラム |
| CN103093087B (zh) * | 2013-01-05 | 2015-08-26 | 电子科技大学 | 一种基于多任务学习的多模态脑网络特征融合方法 |
| US10650512B2 (en) * | 2016-06-14 | 2020-05-12 | The Regents Of The University Of Michigan | Systems and methods for topographical characterization of medical image data |
| CN106203470A (zh) * | 2016-06-22 | 2016-12-07 | 南京航空航天大学 | 一种基于超图的多模态特征选择及分类方法 |
| CN107133651B (zh) * | 2017-05-12 | 2018-03-16 | 太原理工大学 | 基于超网络判别子图的功能磁共振影像数据分类方法 |
-
2018
- 2018-06-07 CN CN201810579502.2A patent/CN108764367B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103810252A (zh) * | 2014-01-21 | 2014-05-21 | 南京信息工程大学 | 一种基于群稀疏特征选择的图像检索方法 |
| CN105740912A (zh) * | 2016-02-03 | 2016-07-06 | 苏州大学 | 基于核范数正则化的低秩图像特征提取的识别方法及*** |
| CN106485707A (zh) * | 2016-10-11 | 2017-03-08 | 中国科学院苏州生物医学工程技术研究所 | 基于脑核磁共振图像的多维特征分类算法 |
| CN107610049A (zh) * | 2017-08-21 | 2018-01-19 | 华侨大学 | 基于稀疏正则化技术和加权引导滤波的图像超分辨率方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108764367A (zh) | 2018-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Using deep transfer learning for image-based plant disease identification | |
| Ranzato et al. | Automatic recognition of biological particles in microscopic images | |
| CN108830312B (zh) | 一种基于样本自适应扩充的集成学习方法 | |
| CN108664986B (zh) | 基于lp范数正则化的多任务学习图像分类方法及*** | |
| Wang et al. | A novel neural network approach to cDNA microarray image segmentation | |
| Douarre et al. | Deep learning based root-soil segmentation from X-ray tomography images | |
| CN111401426A (zh) | 基于伪标签学习的小样本高光谱图像分类方法 | |
| Leena et al. | Classification of macronutrient deficiencies in maize plant using machine learning | |
| Kaur et al. | A methodology for the performance analysis of cluster based image segmentation | |
| Dennler et al. | Learning-based defect recognition for quasi-periodic HRSTEM images | |
| CN108805181B (zh) | 一种基于多分类模型的图像分类装置及分类方法 | |
| Choudhary et al. | Automatic classification of cowpea leaves using deep convolutional neural network | |
| CN115769059B (zh) | 用于数据分析的计算机实现的方法、计算机程序产品和*** | |
| CN108764367B (zh) | 一种基于关系正则化的特征图像提取装置及提取方法 | |
| Adhitya et al. | Convolutional neural network application in smart farming | |
| Xue et al. | Automatic identification of butterfly species based on gray-level co-occurrence matrix features of image block | |
| CN112084941A (zh) | 一种基于遥感图像的目标检测与识别方法 | |
| Hridya Krishna et al. | Deep learning approach for brown spot detection and nitrogen deficiency estimation in rice crops | |
| Rahman et al. | Deep-CNN for plant disease diagnosis using low resolution leaf images | |
| Jadhav et al. | Efficient framework for identification of soybean disease using machine learning algorithms | |
| Enawugaw et al. | Machine Learning Based Soil-Type Classification | |
| Moharekar et al. | Detection and classification of plant leaf diseases using convolution neural networks and streamlit | |
| Sharma et al. | Voting classification method with clustering method for the plant disease detection | |
| CN110009619A (zh) | 一种基于荧光编码的液相生物芯片的图像分析方法 | |
| CN116452820B (zh) | 环境污染等级确定方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |