一種彌散張量圖像特征提取的方法及系統(tǒng)的制作方法
【專(zhuān)利摘要】本發(fā)明屬于醫(yī)學(xué)圖像處理【技術(shù)領(lǐng)域】，尤其涉及一種彌散張量圖像特征提取的方法及系統(tǒng)。所述彌散張量圖像特征提取的方法包括：步驟a：計(jì)算DTI圖像主方向上的張量本征值，并分析所有圖像的張量本征值的分布特征；步驟b：根據(jù)張量本征值的分布特征構(gòu)造權(quán)重矩陣，建立并優(yōu)化基于權(quán)重矩陣的目標(biāo)函數(shù)以構(gòu)造新的特征空間；步驟c：求解目標(biāo)函數(shù)得到多線性投影矩陣，將基于DTI張量本征值的矩陣空間映射到多重線性子空間，并對(duì)各子空間的DTI圖像進(jìn)行特征提取和降維。本發(fā)明既能有效反映各類(lèi)樣本特征，又能降低計(jì)算成本，在保持原有圖像結(jié)構(gòu)信息的基礎(chǔ)上，充分挖掘彌散張量圖像在三個(gè)主方向上的彌散特征，實(shí)現(xiàn)圖像降維和特征提取的目的，有效避免維數(shù)災(zāi)難。
【專(zhuān)利說(shuō)明】一種彌散張量圖像特征提取的方法及系統(tǒng)

【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于醫(yī)學(xué)圖像處理【技術(shù)領(lǐng)域】，尤其涉及一種彌散張量圖像特征提取的方法及系統(tǒng)。

【背景技術(shù)】
[0002]彌散張量成像(Diffus1n Tensor Imaging, DTI),是一種描述大腦結(jié)構(gòu)的新方法，是核磁共振成像(MRI)的特殊形式。不同于核磁共振成像是追蹤水分子中的氫原子，彌散張量成像是依據(jù)水分子移動(dòng)方向制圖。彌散張量成像圖(呈現(xiàn)方式與以前的圖像不同)可以揭示腦瘤如何影響神經(jīng)細(xì)胞連接，引導(dǎo)醫(yī)療人員進(jìn)行大腦手術(shù)，還可以揭示同中風(fēng)、多發(fā)性硬化癥、精神分裂癥、閱讀障礙等有關(guān)大腦和脊髓的細(xì)微反常變化。
[0003]彌散張量成像數(shù)據(jù)本質(zhì)上是二階張量結(jié)構(gòu)，它的每一個(gè)體素包含了水分子在白質(zhì)神經(jīng)纖維束內(nèi)彌散的三維空間信息。傳統(tǒng)的通過(guò)向量模式的學(xué)習(xí)算法處理分析彌散張量圖像會(huì)引發(fā)諸如破壞原始數(shù)據(jù)結(jié)構(gòu)等一些列問(wèn)題，且計(jì)算量大，計(jì)算成本高。


【發(fā)明內(nèi)容】

[0004]本發(fā)明提供了一種彌散張量圖像特征提取的方法及系統(tǒng)，旨在解決現(xiàn)有的向量模式的學(xué)習(xí)算法處理分析彌散張量圖像存在破壞原始數(shù)據(jù)結(jié)構(gòu)，且計(jì)算量大、計(jì)算成本高的技術(shù)問(wèn)題。
[0005]本發(fā)明是這樣實(shí)現(xiàn)的，一種彌散張量圖像特征提取的方法，包括:
[0006]步驟a:計(jì)算DTI圖像主方向上的張量本征值，并分析所有圖像的張量本征值的分布特征；
[0007]步驟b:根據(jù)張量本征值的分布特征構(gòu)造權(quán)重矩陣，建立并優(yōu)化基于權(quán)重矩陣的目標(biāo)函數(shù)以構(gòu)造新的特征空間；
[0008]步驟c:求解目標(biāo)函數(shù)得到多線性投影矩陣，將基于DTI張量本征值的矩陣空間映射到多重線性子空間，并對(duì)各子空間的DTI圖像進(jìn)行特征提取和降維。
[0009]本發(fā)明實(shí)施例采取的技術(shù)方案還包括:在所述步驟b中，所述建立并優(yōu)化基于權(quán)重矩陣的目標(biāo)函數(shù)具體為:應(yīng)用多重冪級(jí)數(shù)展開(kāi)法建立基于權(quán)重矩陣的目標(biāo)函數(shù)。
[0010]本發(fā)明實(shí)施例采取的技術(shù)方案還包括:在所述步驟c中，所述求解目標(biāo)函數(shù)得到多線性投影矩陣具體為:交替最小二乘法優(yōu)化求解目標(biāo)函數(shù)，得到多線性投影矩陣。
[0011]本發(fā)明實(shí)施例采取的技術(shù)方案還包括:在所述步驟c中，所述將基于DTI張量本征值的矩陣空間映射到多重線性子空間具體為:根據(jù)多線性投影矩陣，通過(guò)張量積運(yùn)算，將基于DTI張量本征值的矩陣空間映射到多重線性子空間，使得各子空間能捕捉到大部分正交多維的變異量在新的特征空間中；所述對(duì)各子空間的DTI圖像進(jìn)行特征提取和降維具體為:運(yùn)用多線性核主成分分析法對(duì)各子空間的DTI圖像進(jìn)行特征提取和降維。
[0012]本發(fā)明實(shí)施例采取的技術(shù)方案還包括:在所述步驟c后還包括:計(jì)算投影后的DTI圖像的張量本征值，并根據(jù)張量本征值的信噪比確定降維后的張量特征。
[0013]本發(fā)明實(shí)施例提供的另一技術(shù)方案為:一種彌散張量圖像特征提取的系統(tǒng)，包括本征值處理模塊、權(quán)重矩陣構(gòu)造模塊、特征空間構(gòu)造模塊、特征映射模塊和特征提取模塊，所述本征值處理模塊用于計(jì)算DTI圖像主方向上的張量本征值，并分析所有圖像的張量本征值的分布特征；所述權(quán)重矩陣構(gòu)造模塊用于根據(jù)張量本征值的分布特征構(gòu)造權(quán)重矩陣；所述特征空間構(gòu)造模塊用于建立并優(yōu)化基于權(quán)重矩陣的目標(biāo)函數(shù)以構(gòu)造新的特征空間；所述特征映射模塊用于求解目標(biāo)函數(shù)得到多線性投影矩陣，將基于DTI張量本征值的矩陣空間映射到多重線性子空間；所述特征提取模塊用于對(duì)各子空間的DTI圖像進(jìn)行特征提取和降維。
[0014]本發(fā)明實(shí)施例采取的技術(shù)方案還包括:所述本征值處理模塊包括本征值計(jì)算單元和特征分析單元；
[0015]所述本征值計(jì)算單元用于計(jì)算DTI圖像在三個(gè)主方向上的張量本征值；
[0016]所述特征分析單元用于根據(jù)彌散張量圖像數(shù)據(jù)的張量結(jié)構(gòu)特點(diǎn)，分析所有圖像的張量本征值的分布特征。
[0017]本發(fā)明實(shí)施例采取的技術(shù)方案還包括:所述特征空間構(gòu)造模塊包括目標(biāo)函數(shù)建立單元和特征空間構(gòu)造單元；
[0018]所述目標(biāo)函數(shù)建立單元用于應(yīng)用多重冪級(jí)數(shù)展開(kāi)法建立基于權(quán)重矩陣的目標(biāo)函數(shù)；
[0019]所述特征空間構(gòu)造單元用于通過(guò)目標(biāo)函數(shù)優(yōu)化來(lái)構(gòu)造新的特征空間。
[0020]本發(fā)明實(shí)施例采取的技術(shù)方案還包括:所述特征映射模塊包括投影矩陣計(jì)算單元和特征映射單元；
[0021]所述投影矩陣計(jì)算單元用于交替最小二乘法優(yōu)化求解目標(biāo)函數(shù)，得到多線性投影矩陣；
[0022]所述特征映射單元用于根據(jù)多線性投影矩陣，通過(guò)張量積運(yùn)算，將基于DTI張量本征值的矩陣空間映射到多重線性子空間，使得各子空間能捕捉到大部分正交多維的變異量在新的特征空間中。
[0023]本發(fā)明實(shí)施例采取的技術(shù)方案還包括:所述特征提取模塊包括特征提取單元和特征計(jì)算單元；
[0024]所述特征提取單元用于運(yùn)用多線性核主成分分析法對(duì)各子空間的DTI圖像進(jìn)行特征提取和降維；
[0025]所述特征計(jì)算單元用于計(jì)算投影后的DTI圖像的張量本征值，并根據(jù)張量本征值的信噪比確定降維后的張量特征。
[0026]本發(fā)明實(shí)施例的彌散張量圖像特征提取的方法及系統(tǒng)通過(guò)計(jì)算并分析DTI圖像在三個(gè)主方向上的張量本征值以構(gòu)造基于權(quán)重矩陣特征空間，應(yīng)用多重冪級(jí)數(shù)展開(kāi)法來(lái)構(gòu)造權(quán)重矩陣的目標(biāo)函數(shù)，通過(guò)優(yōu)化該目標(biāo)函數(shù)來(lái)構(gòu)造最優(yōu)的特征空間，并通過(guò)張量積將所有的特征映射到各自的多重線性子空間，使其既能有效反映各類(lèi)樣本特征，又能降低計(jì)算成本；并運(yùn)用多線性核主成分分析方法對(duì)子空間特征提取和降維，能夠保證特征向量與深度的相關(guān)性、相互間的獨(dú)立性，可以在保持原有圖像結(jié)構(gòu)信息的基礎(chǔ)上，充分挖掘彌散張量圖像在三個(gè)主方向上的彌散特征，實(shí)現(xiàn)圖像降維和特征提取的目的，有效避免了維數(shù)災(zāi)難。

【專(zhuān)利附圖】

【附圖說(shuō)明】
[0027]圖1是本發(fā)明實(shí)施例的彌散張量圖像特征提取的方法的流程圖；
[0028]圖2是本發(fā)明實(shí)施例的彌散張量圖像特征提取的系統(tǒng)的結(jié)構(gòu)示意圖。

【具體實(shí)施方式】
[0029]為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。
[0030]請(qǐng)參閱圖1，是本發(fā)明實(shí)施例的彌散張量圖像特征提取的方法的流程圖。本發(fā)明實(shí)施例的彌散張量圖像特征提取的方法包括以下步驟:
[0031]步驟100:計(jì)算DTI圖像在三個(gè)主方向上的張量本征值；
[0032]步驟200:根據(jù)彌散張量圖像數(shù)據(jù)的張量結(jié)構(gòu)特點(diǎn)，分析所有圖像的張量本征值的分布特征；
[0033]步驟300:根據(jù)張量本征值的分布特征構(gòu)造權(quán)重矩陣；
[0034]步驟400:應(yīng)用多重冪級(jí)數(shù)展開(kāi)法建立基于權(quán)重矩陣的目標(biāo)函數(shù)；
[0035]步驟500:通過(guò)目標(biāo)函數(shù)優(yōu)化來(lái)構(gòu)造新的特征空間；
[0036]步驟600:交替最小二乘法優(yōu)化求解目標(biāo)函數(shù)，得到多線性投影矩陣；
[0037]在步驟600中，最小二乘法(又稱(chēng)最小平方法)是一種數(shù)學(xué)優(yōu)化技術(shù)，它通過(guò)最小化誤差的平方和尋找數(shù)據(jù)的最佳函數(shù)匹配；利用最小二乘法可以簡(jiǎn)便地求得未知的數(shù)據(jù)，并使得這些求得的數(shù)據(jù)與實(shí)際數(shù)據(jù)之間誤差的平方和為最小。最小二乘法還可用于曲線擬合，其他一些優(yōu)化問(wèn)題也可通過(guò)最小化能量或最大化熵用最小二乘法表達(dá)；本發(fā)明按照交替最小平方原理，分解原本的空間至一系列的多維映射子空間，挖掘分析DTI圖像在三個(gè)主方向的彌散交互程度的影響。
[0038]步驟700:根據(jù)多線性投影矩陣，通過(guò)張量積運(yùn)算，將基于DTI張量本征值的矩陣空間映射到多重線性子空間，使得各子空間能捕捉到大部分正交多維的變異量在新的特征空間中；
[0039]在步驟700中，張量積:在數(shù)學(xué)中，凡是在范疇中多個(gè)對(duì)象得到一個(gè)對(duì)象，并滿足一定結(jié)合規(guī)則和交換規(guī)則的操作都可以視為“張量積”，比如集合的笛卡兒積，無(wú)交并，拓?fù)淇臻g的乘積；本發(fā)明通過(guò)張量積將所有的特征映射到各自的多重線性子空間，使其既能有效反映各類(lèi)樣本特征，又能降低計(jì)算成本。
[0040]步驟800:運(yùn)用多線性核主成分分析方法(MKPCA)對(duì)各子空間的DTI圖像進(jìn)行特征提取和降維；
[0041]在步驟800中，本發(fā)明提出的多線性核主成分分析方法(MKPCA)對(duì)于特征提取的核心在于:利用目標(biāo)核函數(shù)對(duì)經(jīng)典的主成成分分析法進(jìn)行的一種非線性推廣；與傳統(tǒng)的主成成分分析法相比，MKPCA具有能有效捕捉數(shù)據(jù)的非線性特征、對(duì)原始空間數(shù)據(jù)的分布情況沒(méi)有要求，具有更好的廣泛性，另外還能夠保證特征向量與深度的相關(guān)性、相互間的獨(dú)立性，可以在保持原有圖像結(jié)構(gòu)信息的基礎(chǔ)上，充分挖掘彌散張量圖像在三個(gè)主方向上的彌散特征，實(shí)現(xiàn)圖像降維和特征提取的目的，并且可以降低計(jì)算量，避免維數(shù)災(zāi)難。
[0042]步驟900:計(jì)算投影后的DTI圖像的張量本征值，并根據(jù)張量本征值的信噪比確定降維后的張量特征。
[0043]請(qǐng)參閱圖2，是本發(fā)明實(shí)施例的彌散張量圖像特征提取的系統(tǒng)的結(jié)構(gòu)示意圖。本發(fā)明實(shí)施例的彌散張量圖像特征提取的系統(tǒng)包括本征值處理模塊、權(quán)重矩陣構(gòu)造模塊、特征空間構(gòu)造模塊、特征映射模塊和特征提取模塊；具體地:
[0044]本征值處理模塊包括本征值計(jì)算單元和特征分析單元；
[0045]本征值計(jì)算單元用于計(jì)算DTI圖像在三個(gè)主方向上的張量本征值；
[0046]特征分析單元用于根據(jù)彌散張量圖像數(shù)據(jù)的張量結(jié)構(gòu)特點(diǎn)，分析所有圖像的張量本征值的分布特征；
[0047]權(quán)重矩陣構(gòu)造模塊用于根據(jù)張量本征值的分布特征構(gòu)造權(quán)重矩陣；
[0048]特征空間構(gòu)造模塊包括目標(biāo)函數(shù)建立單元和特征空間構(gòu)造單元；
[0049]目標(biāo)函數(shù)建立單元用于應(yīng)用多重冪級(jí)數(shù)展開(kāi)法建立基于權(quán)重矩陣的目標(biāo)函數(shù)；
[0050]特征空間構(gòu)造單元用于通過(guò)目標(biāo)函數(shù)優(yōu)化來(lái)構(gòu)造新的特征空間；
[0051]特征映射模塊包括投影矩陣計(jì)算單元和特征映射單元；
[0052]投影矩陣計(jì)算單元用于交替最小二乘法優(yōu)化求解目標(biāo)函數(shù)，得到多線性投影矩陣；其中，最小二乘法是一種數(shù)學(xué)優(yōu)化技術(shù)，它通過(guò)最小化誤差的平方和尋找數(shù)據(jù)的最佳函數(shù)匹配；利用最小二乘法可以簡(jiǎn)便地求得未知的數(shù)據(jù)，并使得這些求得的數(shù)據(jù)與實(shí)際數(shù)據(jù)之間誤差的平方和為最??；最小二乘法還可用于曲線擬合，其他一些優(yōu)化問(wèn)題也可通過(guò)最小化能量或最大化熵用最小二乘法來(lái)表達(dá)；本發(fā)明按照交替最小平方原理，分解原本的空間至一系列的多維映射子空間，挖掘分析DTI圖像在三個(gè)主方向的彌散交互程度的影響。
[0053]特征映射單元用于根據(jù)多線性投影矩陣，通過(guò)張量積運(yùn)算，將基于DTI張量本征值的矩陣空間映射到多重線性子空間，使得各子空間能捕捉到大部分正交多維的變異量在新的特征空間中；其中，張量積:在數(shù)學(xué)中，凡是在范疇中多個(gè)對(duì)象得到一個(gè)對(duì)象，并滿足一定結(jié)合規(guī)則和交換規(guī)則的操作都可以視為“張量積”，比如集合的笛卡兒積，無(wú)交并，拓?fù)淇臻g的乘積；本發(fā)明通過(guò)張量積將所有的特征映射到各自的多重線性子空間，使其既能有效反映各類(lèi)樣本特征，又能降低計(jì)算成本。
[0054]特征提取模塊包括特征提取單元和特征計(jì)算單元；
[0055]特征提取單元用于運(yùn)用多線性核主成分分析方法對(duì)各子空間的DTI圖像進(jìn)行特征提取和降維；其中，本發(fā)明提出的多線性核主成分分析方法對(duì)于特征提取的核心在于:利用目標(biāo)核函數(shù)對(duì)經(jīng)典的主成成分分析法進(jìn)行的一種非線性推廣；與傳統(tǒng)的主成成分分析法相比，MKPCA具有能有效捕捉數(shù)據(jù)的非線性特征、對(duì)原始空間數(shù)據(jù)的分布情況沒(méi)有要求，具有更好的廣泛性，另外還能夠保證特征向量與深度的相關(guān)性、相互間的獨(dú)立性，可以在保持原有圖像結(jié)構(gòu)信息的基礎(chǔ)上，充分挖掘彌散張量圖像在三個(gè)主方向上的彌散特征，實(shí)現(xiàn)圖像降維和特征提取的目的，并且可以降低計(jì)算量，避免維數(shù)災(zāi)難。
[0056]特征計(jì)算單元用于計(jì)算投影后的DTI圖像的張量本征值，并根據(jù)張量本征值的信噪比確定降維后的張量特征。
[0057]本發(fā)明實(shí)施例的彌散張量圖像特征提取的方法及系統(tǒng)通過(guò)計(jì)算并分析DTI圖像在三個(gè)主方向上的張量本征值以構(gòu)造基于權(quán)重矩陣特征空間，應(yīng)用多重冪級(jí)數(shù)展開(kāi)法來(lái)構(gòu)造權(quán)重矩陣的目標(biāo)函數(shù)，通過(guò)優(yōu)化該目標(biāo)函數(shù)來(lái)構(gòu)造最優(yōu)的特征空間，并通過(guò)張量積將所有的特征映射到各自的多重線性子空間，使其既能有效反映各類(lèi)樣本特征，又能降低計(jì)算成本；并運(yùn)用多線性核主成分分析方法對(duì)子空間特征提取和降維，能夠保證特征向量與深度的相關(guān)性、相互間的獨(dú)立性，可以在保持原有圖像結(jié)構(gòu)信息的基礎(chǔ)上，充分挖掘彌散張量圖像在三個(gè)主方向上的彌散特征，實(shí)現(xiàn)圖像降維和特征提取的目的，有效避免了維數(shù)災(zāi)難。
[0058]以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
【權(quán)利要求】
1.一種彌散張量圖像特征提取的方法，包括: 步驟a:計(jì)算DTI圖像主方向上的張量本征值，并分析所有圖像的張量本征值的分布特征； 步驟b:根據(jù)張量本征值的分布特征構(gòu)造權(quán)重矩陣，建立并優(yōu)化基于權(quán)重矩陣的目標(biāo)函數(shù)以構(gòu)造新的特征空間； 步驟c:求解目標(biāo)函數(shù)得到多線性投影矩陣，將基于DTI張量本征值的矩陣空間映射到多重線性子空間，并對(duì)各子空間的DTI圖像進(jìn)行特征提取和降維。
2.根據(jù)權(quán)利要求1所述的彌散張量圖像特征提取的方法，其特征在于，在所述步驟b中，所述建立并優(yōu)化基于權(quán)重矩陣的目標(biāo)函數(shù)具體為:應(yīng)用多重冪級(jí)數(shù)展開(kāi)法建立基于權(quán)重矩陣的目標(biāo)函數(shù)。
3.根據(jù)權(quán)利要求1所述的彌散張量圖像特征提取的方法，其特征在于，在所述步驟c中，所述求解目標(biāo)函數(shù)得到多線性投影矩陣具體為:交替最小二乘法優(yōu)化求解目標(biāo)函數(shù)，得到多線性投影矩陣。
4.根據(jù)權(quán)利要求1所述的彌散張量圖像特征提取的方法，其特征在于，在所述步驟c中，所述將基于DTI張量本征值的矩陣空間映射到多重線性子空間具體為:根據(jù)多線性投影矩陣，通過(guò)張量積運(yùn)算，將基于DTI張量本征值的矩陣空間映射到多重線性子空間，使得在新的特征空間中各子空間能捕捉到大部分正交多維的變異量；所述對(duì)各子空間的DTI圖像進(jìn)行特征提取和降維具體為:運(yùn)用多線性核主成分分析法對(duì)各子空間的DTI圖像進(jìn)行特征提取和降維。
5.根據(jù)權(quán)利要求1或4所述的彌散張量圖像特征提取的方法，其特征在于，在所述步驟c后還包括:計(jì)算投影后的DTI圖像的張量本征值，并根據(jù)張量本征值的信噪比確定降維后的張量特征。
6.一種彌散張量圖像特征提取的系統(tǒng)，其特征在于:包括本征值處理模塊、權(quán)重矩陣構(gòu)造模塊、特征空間構(gòu)造模塊、特征映射模塊和特征提取模塊，所述本征值處理模塊用于計(jì)算DTI圖像主方向上的張量本征值，并分析所有圖像的張量本征值的分布特征；所述權(quán)重矩陣構(gòu)造模塊用于根據(jù)張量本征值的分布特征構(gòu)造權(quán)重矩陣；所述特征空間構(gòu)造模塊用于建立并優(yōu)化基于權(quán)重矩陣的目標(biāo)函數(shù)以構(gòu)造新的特征空間；所述特征映射模塊用于求解目標(biāo)函數(shù)得到多線性投影矩陣，將基于DTI張量本征值的矩陣空間映射到多重線性子空間；所述特征提取模塊用于對(duì)各子空間的DTI圖像進(jìn)行特征提取和降維。
7.根據(jù)權(quán)利要求6所述的彌散張量圖像特征提取的系統(tǒng)，其特征在于，所述本征值處理模塊包括本征值計(jì)算單元和特征分析單元； 所述本征值計(jì)算單元用于計(jì)算DTI圖像在三個(gè)主方向上的張量本征值； 所述特征分析單元用于根據(jù)彌散張量圖像數(shù)據(jù)的張量結(jié)構(gòu)特點(diǎn)，分析所有圖像的張量本征值的分布特征。
8.根據(jù)權(quán)利要求6所述的彌散張量圖像特征提取的系統(tǒng)，其特征在于，所述特征空間構(gòu)造模塊包括目標(biāo)函數(shù)建立單元和特征空間構(gòu)造單元； 所述目標(biāo)函數(shù)建立單元用于應(yīng)用多重冪級(jí)數(shù)展開(kāi)法建立基于權(quán)重矩陣的目標(biāo)函數(shù)； 所述特征空間構(gòu)造單元用于通過(guò)目標(biāo)函數(shù)優(yōu)化來(lái)構(gòu)造新的特征空間。
9.根據(jù)權(quán)利要求6所述的彌散張量圖像特征提取的系統(tǒng)，其特征在于，所述特征映射模塊包括投影矩陣計(jì)算單元和特征映射單元； 所述投影矩陣計(jì)算單元用于交替最小二乘法優(yōu)化求解目標(biāo)函數(shù)，得到多線性投影矩陣； 所述特征映射單元用于根據(jù)多線性投影矩陣，通過(guò)張量積運(yùn)算，將基于DTI張量本征值的矩陣空間映射到多重線性子空間，使得在新的特征空間中各子空間能捕捉到大部分正交多維的變異量。
10.根據(jù)權(quán)利要求6所述的彌散張量圖像特征提取的系統(tǒng)，其特征在于，所述特征提取模塊包括特征提取單元和特征計(jì)算單元； 所述特征提取單元用于運(yùn)用多線性核主成分分析法對(duì)各子空間的DTI圖像進(jìn)行特征提取和降維； 所述特征計(jì)算單元用于計(jì)算投影后的DTI圖像的張量本征值，并根據(jù)張量本征值的信噪比確定降維后的張量特征。
【文檔編號(hào)】G06T7/00GK104408713SQ201410627576
【公開(kāi)日】2015年3月11日 申請(qǐng)日期:2014年11月10日 優(yōu)先權(quán)日:2014年11月10日
【發(fā)明者】王書(shū)強(qiáng), 談維棋, 胡金星, 申妍燕, 尹凌, 曾春霞, 朱英濤 申請(qǐng)人:中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院