[发明专利]一种基于多任务学习的多疾病联合测定方法

权利要求书

1.一种基于多任务学习的多疾病联合测定方法的医学影像处理系统，其特征在于，所述医学影像处理系统运行的基于多任务学习的多疾病联合测定方法先使用多任务对多种疾病进行联合学习，得到的每种疾病的决策函数，实现多种疾病的联合检测；训练完成后，输入新来病人的MRI图像，提取特征，降维处理，再将病人的特征带入决策函数；

所述基于多任务学习的多疾病联合测定方法包括以下步骤：

步骤一，输入为多种病人的MRI图像，先提取这些病人MRI图像的特征；使用主成分分析法方法降维处理来得到最能代表特征的若干特征；

步骤二，将特征和与其对应的标签填入多任务学习算法，得到对应于每种疾病的决策函数；

步骤三，当新的病例的MRI图像送来之后，进行特征提取，使用特征与每种疾病的决策函数进行医学诊断；

所述基于多任务学习的多疾病联合测定方法具体包括以下步骤：

第一步，得到M种疾病的合计N个MRI图像；计算这N个MRI图像的灰度共生矩阵和灰度行程矩阵；

第二步，从N个MRI图像的灰度共生矩阵和灰度行程矩阵中提取特征，再对特征使用PCA进行降维处理，得到少量特征来进行学习；

第三步，初始化多任务学习的参数，将N组特征分别附上其对应的标签，即疾病的种类，准备进行学习，并对α，β进行初始赋值；

第四步，固定β使用SMO算法求出最优的α矩阵；

第五步，固定α求出最优的β矩阵；

第六步，判断α，β是否已不再变化，即是否收敛；如果收敛结束进行下一步；如果未收敛，跳入第四步继续进行学习；

第七步，α，β带入，当新来一个病人的MRI图像时，提取特征x然后带入式(1)进行学习；得到每个任务的决策函数值，即{f_t(x),1≤t≤M}，取最大的决策函数值所对应的疾病作为最终诊断的疾病；

所述第四步求出最优的α矩阵的公式为：

其中，多核学习问题最终转化为求解拉格朗日乘子向量α和基础核函数的线性组合因子β向量；采用交替的块坐标下降法来进行解算，分别固定变量α和β中的一个对另一个变量进行求解；当给定核函数的权重矩阵β时，分解为M个单独的SVM求解问题，对于第t个任务；

所述第五步的求得最优的α后，得到β_t的闭合解为：

所述第七步的决策函数为：

输入为B种病人的MRI图像，第t种疾病的人数为A_t；B组训练样本其中A表示训练样本的个数；x_i表示训练样本的特征，y_i表示该样本的标签；每个类别的样本个数为A_t，则t表示任务；K(x_i,x)为核函数，定义为高斯核函数，即其中α_t，β_t，b_t,就是所要求的决策函数中的参数。