[发明专利]基于常规CT图像的缺血性脑卒中早期检测系统和方法

权利要求书

1.一种基于常规CT图像的缺血性脑卒中早期检测方法，其特征在于,具体步骤为：

步骤一.构建基于对称图像块对分类的卒中检测模型

首先，对CT图像和DWI图像进行去脑皮去脑壳处理，并将处理后的DWI图像自动配准到对应的CT图像上；然后，对CT和DWI图像进行方向矫正并确立大脑对称轴；接着，根据DWI图像中高表达信号区域分割CT图像中病灶区域；最后，基于确立的对称轴和病灶区域，分别从病灶区域和正常区域抽取正负样本图像块对集合，构建基于图像块对的分类模型；

步骤二.基于影像组学的多尺度图像块对分类

为解决图像块尺寸选择问题，分别构建3个尺度图像块对分类检测模型，其中图像块尺寸分别设置为19*19,17*17和13*13个像素；

利用影像组学方法对多尺度图像块进行分类鉴别；

首先，提取每个图像块对的513个高通量特征；这些特征分为3组：描述图像直方图信息的18个灰度特征；基于灰度共生矩阵，灰度游程矩阵，灰度区域大小矩阵和邻域灰度差矩阵的39个纹理特征；描述图像8个小波变换子图灰度纹理信息的456个小波特征；

然后，建立基于稀疏表示与结构保持结合的特征选择模型选择少量高分辨率特征；包括：首先计算样本相似度矩阵其中S_i,j表示样本f_i和f_j间的相似度，N为样本个数；根据S和样本类标签信息，为每个样本构建两个不相交的集合knn_w(i)和knn_b(i)：

其中，f_i^j表示与样本f_i第j个最相似的样本，基于式(1)，采用两个权重矩阵和来分别保存内类和类间结构信息：

其中，knn_w和knn_b为式(1)构造的集合；

然后，建立基于稀疏表示与结构保持相结合的特征选择模型：

其中,表示样本类标签编码矩阵， F ＝ [f₁ … f_i … f_N ] 为高维特征数据，f_i为第i个样本的特征；θ是稀疏表示系数矩阵，它的0行元素对应冗余的特征；0.1＜μ₁＜1、0.1＜μ₂＜1和0＜β＜1为正则化约束参数；L^w＝D^w-S^w和L^b＝D^b-S^b是图拉普拉斯矩阵，分别存储了类内和类间样本结构信息，D^w和D^b是两个对角矩阵，每个对角元素可分别表示为和利用加速近端梯度法求解式(4)模型，当获得系数矩阵θ后，对其每一行的l₂范数进行降序排序，得到特征的重要性排序；

最后，利用式(5)和式(6)稀疏表示模型对选择的特征进行分类：

其中, F ＝ [F₁ … F_c … F_C] 为C类训练集样本特征,F是F特征选择的结果,F_c是第c类样本的特征；为F中F_c的互补矩阵，Ψ＝ [ Ψ ₁ …Ψ _c …Ψ _C ] 和Φ＝ [ Φ ₁ …Φ_c …Φ _C ] 为稀疏表示字典对；是字典Ψ中的原子；0.001＜λ＜0.1为正则项参数；f_i为第i个样本特征选择后的特征；l_i为最终获得的第i个样本的标签；

步骤三.基于MAP模型的检测结果优化

建立基于MAP的优化模型，结合多尺度分类结果和图像局部相关信息对分类检测结果进行优化；

首先，基于稀疏表示分类结果，建立式(7)似然概率：

p(f_i|l_i)∞exp(-R(f_i,l_i)), (7)

其中， R(f_i,l_i) ＝ ||f_i- Ψ _li Φ _li f_i ||₂ ， l_i ∈ [1, … ,C] 对应式(6)稀疏表示残差；

然后，建立基于马尔科夫随机场模型的图像局部约束先验项：

p(l_i)∞exp(-∑_j∈φ(i)V_i,j(l_i,l_j)), (8)

其中,l_i和l_j分别表示图像块i和j的类别，φ(i)为图像块i的空间邻域；空间平滑惩罚函数V_i,j(l_i,l_j)用于惩罚邻域图像块类别差异，表示为：

V_i,j(l_i,l_j)＝exp(-|I_i-I_j|²/σ²)·(1-δ(l_i-l_j)) (9)

其中I_i表示I_j以像素点i和j为中心的图像块，0.5＜σ＜1为控制参数；

最后，结合式(7)，式(8)和多尺度分类结果建立式(10)MAP优化模型：

其中，f_i^s1,f_i^s2和f_i^s3为第i个样本三个尺度的特征；R(f_i^s1,l_i),R(f_i^s2,l_i)和R(f_i^s3,l_i)为对应的三个尺度的似然概率,0.1＜η＜1为平滑因子， l ＝ {l_i|i ＝ 1,2, … ,N} 为优化结果，N为图像块个数；

对优化结果进行后处理，选择最大联通区域，得到最终检测结果。

2.一种基于常规CT图像的缺血性脑卒中早期检测系统，其特征在于，包括三大模块：(一)基于对称图像块对分类的卒中检测模型模块，(二)基于影像组学的多尺度图像块对分类模块；具体内容如下：

(一)基于对称图像块对分类的卒中检测模型模块，用于实现如下功能：

(1)对CT图像和DWI图像进行去脑皮去脑壳处理，并将处理后的DWI图像自动配准到对应的CT图像上；(2)对CT和DWI图像进行方向矫正并确立大脑对称轴；(3)根据DWI图像中高表达信号区域分割CT图像中病灶区域；(4)基于确立的对称轴和病灶区域，分别从病灶区域和正常区域抽取正负样本图像块对集合，构建基于图像块对的分类模型；

(二)基于影像组学的多尺度图像块对分类模块，用于实现如下功能：

分别构建3个尺度图像块对分类检测模型，其中图像块尺寸分别设置为19*19,17*17和13*13个像素；

利用影像组学方法对多尺度图像块进行分类鉴别；包括：

(1)提取每个图像块对的513个高通量特征；这些特征分为3组：描述图像直方图信息的18个灰度特征；基于灰度共生矩阵，灰度游程矩阵，灰度区域大小矩阵和邻域灰度差矩阵的39个纹理特征；描述图像8个小波变换子图灰度纹理信息的456个小波特征；

(2)建立基于稀疏表示与结构保持结合的特征选择模型选择少量高分辨率特征；包括：

(2.1)计算样本相似度矩阵其中S_i,j表示样本f_i和f_j间的相似度，N为样本个数；根据S和样本类标签信息，为每个样本构建两个不相交的集合knn_w(i)和knn_b(i)：

其中，f_i^j表示与样本f_i第j个最相似的样本，基于式(1)，采用两个权重矩阵和来分别保存内类和类间结构信息：

其中，knn_w和knn_b为式(1)构造的集合；

(2.2)建立基于稀疏表示与结构保持相结合的特征选择模型：

其中,表示样本类标签编码矩阵， F ＝ [f₁ … f_i … f_N ] 为高维特征数据，f_i为第i个样本的特征；θ是稀疏表示系数矩阵，它的0行元素对应冗余的特征；0.1＜μ₁＜1、0.1＜μ₂＜1和0＜β＜1为正则化约束参数；L^w＝D^w-S^w和L^b＝D^b-S^b是图拉普拉斯矩阵，分别存储类内和类间样本结构信息，D^w和D^b是两个对角矩阵，每个对角元素可分别表示为和利用加速近端梯度法求解式(4)模型，当获得系数矩阵θ后，对其每一行的l₂范数进行降序排序，得到特征的重要性排序；

(2.3)利用式(5)和式(6)稀疏表示模型对选择的特征进行分类：

其中, F ＝ [F₁ … F_c … F_C] 为C类训练集样本特征,F是F特征选择的结果,F_c是第c类样本的特征；为F中F_c的互补矩阵，Ψ＝ [ Ψ ₁ …Ψ _c …Ψ _C ] 和Φ＝ [ Φ ₁ …Φ_c …Φ _C ] 为稀疏表示字典对；是字典Ψ中的原子；0.001＜λ＜0.1为正则项参数；f_i为第i个样本特征选择后的特征；l_i为最终获得的第i个样本的标签；

(三)基于MAP模型的检测结果优化模块，用于实现如下功能：

建立基于MAP的优化模型，结合多尺度分类结果和图像局部相关信息对分类检测结果进行优化；包括：

(1)基于稀疏表示分类结果，建立式(7)似然概率：

p(f_i|l_i)∞exp(-R(f_i,l_i)), (7)

其中， 对应式(6)稀疏表示残差；

(2)建立基于马尔科夫随机场模型的图像局部约束先验项：

p(l_i)∞exp(-∑_j∈φ(i)V_i,j(l_i,l_j)), (8)

其中,l_i和l_j分别表示图像块i和j的类别，φ(i)为图像块i的空间邻域；空间平滑惩罚函数V_i,j(l_i,l_j)用于惩罚邻域图像块类别差异，表示为：

V_i,j(l_i,l_j)＝exp(-|I_i-I_j|²/σ²)·(1-δ(l_i-l_j)) (9)

其中，I_i表示I_j以像素点i和j为中心的图像块，0.5＜σ＜1为控制参数；

(3)结合式(7)，式(8)和多尺度分类结果建立式(10)MAP优化模型：

其中，f_i^s1,f_i^s2和f_i^s3为第i个样本三个尺度的特征；R(f_i^s1,l_i),R(f_i^s2,l_i)和R(f_i^s3,l_i)为对应的三个尺度的似然概率,0.1＜η＜1为平滑因子， l ＝ {l_i|i ＝ 1,2, … ,N} 为优化结果，N为图像块个数；

对优化结果进行后处理，选择最大联通区域，得到最终检测结果。