一种基于弥散张量成像技术的疾病诊断辅助系统及方法
专利汇可以提供一种基于弥散张量成像技术的疾病诊断辅助系统及方法专利检索，专利查询，专利分析的服务。并且本 发明 属于医学图像辅助诊断技术领域，尤其涉及一种基于 弥散张量成像 技术的 疾病 诊断辅助系统及方法。所述基于弥散张量成像技术的疾病诊断辅助系统包括图像预处理模 块 、专家 知识库 模块、张量学习模块和诊断结果输出模块；所述图像预处理模块用于弥散张量图像的采集、弥散张量图像重配准以及弥散张量图像特征提取；所述专家知识库模块用于建立大脑和脊髓相关疾病的专家知识库；所述张量学习模块用于利用专家知识库和张量学习 算法 对弥散张量图像进行张量分类模型训练以及张量分类模型优化和测试；所述诊断结果输出模块用于输出诊断结果。本发明充分挖掘图像的原有信息，提高模式分类 精度 ，极大地降低计算量，并有效地保整了疾病诊断的实时性。，下面是一种基于弥散张量成像技术的疾病诊断辅助系统及方法专利的具体信息内容。
1.一种基于弥散张量成像技术的疾病诊断辅助系统，其特征在于：包括图像预处理模块、专家知识库模块、张量学习模块和诊断结果输出模块；所述图像预处理模块用于弥散张量图像的采集、弥散张量图像重配准以及弥散张量图像特征提取；所述专家知识库模块用于建立大脑和脊髓相关疾病的专家知识库；所述张量学习模块用于利用专家知识库和张量学习算法对弥散张量图像进行张量分类模型训练以及张量分类模型优化和测试；所述诊断结果输出模块用于输出诊断结果。
2.根据权利要求1所述的基于弥散张量成像技术的疾病诊断辅助系统，其特征在于，所述图像预处理模块包括图像采集单元、图像配准单元和特征提取单元；
所述图像采集单元用于采集弥散张量图像；
所述图像配准单元用于进行基于张量相似度的弥散张量图像配准，再进行基于标量相似度的弥散张量图像配准；
所述特征提取单元用于基于张量代数的多线性核主成分分析方法进行弥散张量图像的特征提取和降维。
3.根据权利要求2所述的基于弥散张量成像技术的疾病诊断辅助系统，其特征在于，所述弥散张量图像的特征提取和降维具体为：首先选取适当的核函数把原始数据映射到各自的特征空间；再通过张量积将所有的特征映射到多重线性子空间，使得各子空间能捕捉到大部分正交多维的变异量；按照最小交替平方原理，计算求解新特征。
4.根据权利要求1所述的基于弥散张量成像技术的疾病诊断辅助系统，其特征在于，所述张量学习模块包括张量分类模型训练单元和张量分类模型优化单元；
所述张量分类模型训练单元用于利用专家知识库和最优投影支持张量机对弥散张量图像进行张量分类模型训练；
所述张量分类模型优化单元用于进行张量分类模型优化和测试。
5.根据权利要求4所述的基于弥散张量成像技术的疾病诊断辅助系统，其特征在于，所述张量分类模型训练具体为：基于最优投影支持张量机对弥散张量图像进行模式识别，寻找图像在边界方向上的最优投影，并通过最大化投影后样本的类间矩阵和类内矩阵的散布之比来计算最优的投影矢量，所述计算最优的投影矢量具体包括：计算类间矩阵Sb和类T T
内矩阵Sw散布之比的极大值max[(VSbV)/(VSwV)]，求解第一个边界方向上的最优投影矢量v；把训练样本通过v投影，求解二次规划问题，同理求得第二个边界方向上的最优投影T T
矢量；用类间散布矩阵和类内散布矩阵定义投影离散系数R＝Tr(Sb×Sb)/Tr(Sw×Sw)，R代表训练样本经过最优投影矢量投影后样本间的分离度，R值越大表示训练样本经过投影后样本间距离就越大。
6.根据权利要求5所述的基于弥散张量成像技术的疾病诊断辅助系统，其特征在于，所述张量分类模型训练还包括：基于最优投影支持张量机分析两种投影方案为：每个子分类器的训练样本都向同一个方向投影，或者每个子分类器确定不同的投影矢量，然后训练样本分别向各自的投影矢量方向上投影。
7.一种基于弥散张量成像技术的疾病诊断辅助方法，包括：
步骤a：采集弥散张量图像，并进行弥散张量图像重配准以及弥散张量图像特征提取；
步骤b：建立大脑和脊髓相关疾病的专家知识库；
步骤c：利用专家知识库和张量学习算法对弥散张量图像进行张量分类模型训练以及张量分类模型优化和测试；
步骤d：输出诊断结果。
8.根据权利要求7所述的基于弥散张量成像技术的疾病诊断辅助方法，其特征在于，在所述步骤a中，所述弥散张量图像重配准包括基于张量相似度的弥散张量图像配准及基于标量相似度的弥散张量图像配准。
9.根据权利要求7所述的基于弥散张量成像技术的疾病诊断辅助方法，其特征在于，在所述步骤a中，所述弥散张量图像特征提取为：基于张量代数的多线性核主成分分析方法进行弥散张量图像的特征提取和降维；具体包括：首先选取适当的核函数把原始数据映射到各自的特征空间，再通过张量积将所有的特征映射到多重线性子空间，使得各子空间能捕捉到大部分正交多维的变异量，按照最小交替平方原理，计算求解新特征。
10.根据权利要求7所述的基于弥散张量成像技术的疾病诊断辅助方法，其特征在于，在所述步骤c中，所述张量分类模型训练具体为：基于最优投影支持张量机对弥散张量图像进行模式识别，寻找图像在边界方向上的最优投影，并通过最大化投影后样本的类间矩阵和类内矩阵的散布之比来计算最优的投影矢量，所述计算最优的投影矢量具体包T T
括：计算类间矩阵Sb和类内矩阵Sw散布之比的极大值max[(VSbV)/(VSwV)]，求解第一个边界方向上的最优投影矢量v；把训练样本通过v投影，求解二次规划问题，同理求得第二个边界方向上的最优投影矢量；用类间散布矩阵和类内散布矩阵定义投影离散系数R＝T T
Tr(Sb×Sb)/Tr(Sw×Sw)，R代表训练样本经过最优投影矢量投影后样本间的分离度，R值越大表示训练样本经过投影后样本间距离就越大。
一种基于弥散张量成像技术的疾病诊断辅助系统及方法
技术领域
背景技术
发明内容
(VSwV)]，求解第一个边界方向上的最优投影矢量v；把训练样本通过v投影，求解二次规划问题，同理求得第二个边界方向上的最优投影矢量；用类间散布矩阵和类内散布矩阵定义T T
投影离散系数R＝Tr(Sb×Sb)/Tr(Sw×Sw)，R代表训练样本经过最优投影矢量投影后样本间的分离度，R值越大表示训练样本经过投影后样本间距离就越大。
类内散布矩阵定义投影离散系数R＝Tr(Sb×Sb)/Tr(Sw×Sw)，R代表训练样本经过最优投影矢量投影后样本间的分离度，R值越大表示训练样本经过投影后样本间距离就越大。
具体实施方式
(1)、计算类间矩阵Sb和类内矩阵Sw散布之比的极大值max[(VSbV)/(VSwV)]，求解第一个边界方向上的最优投影矢量v。(2)、把训练样本通过v投影，求解二次规划问题，同理可求得第二个边界方向上的最优投影矢量。本发明利用类间散布矩阵和类内散布矩阵定义投影T T
离散系数R＝Tr(Sb×Sb)/Tr(Sw×Sw)，R代表训练样本经过最优投影矢量投影后样本间的分离度，R值越大表示训练样本经过投影后样本间距离就越大。将基于最优投影支持张量机从二分类推广到多分类中，分析两种投影方案：1、每个子分类器的训练样本都向同一个方向投影。2、每个子分类器确定不同的投影矢量，然后训练样本分别向各自的投影矢量方向上投影。由于把训练样本投影到张量子空间中，不同类的训练样本会相互分离，同类的训练样本会相互靠近。这使得选取同一投影矢量的方案识别率高于选取非同一投影矢量的方案。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 磁共振弥散张量成像的去噪方法和系统 | 2020-05-17 | 962 |
| 磁共振弥散张量成像的参数误差估计方法和装置 | 2020-05-21 | 703 |
| 磁共振弥散张量成像方法及系统 | 2020-05-12 | 788 |
| 弥散张量成像方法及系统 | 2020-05-12 | 898 |
| 磁共振弥散张量成像方法和系统 | 2020-05-13 | 38 |
| 磁共振弥散张量成像方法、装置和纤维束追踪方法、装置 | 2020-05-20 | 244 |
| 磁共振弥散张量成像质量控制综合测试体模 | 2020-05-17 | 645 |
| 一种用于磁共振弥散张量成像重建算法验证的电纺直写仿生模型及其制备方法 | 2020-05-23 | 818 |
| 磁共振弥散张量成像质量控制综合测试体模 | 2020-05-18 | 395 |
| 弥散张量成像方法及系统 | 2020-05-11 | 846 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
