基于多模态数据融合的脑肿瘤非监督识别方法研究

Multi-modal magnetic resonance techniques have provided abundant information for brain tumor diagnosis. Meanwhile, new challenge rises in multi-modal data interpretation and brain tumor recognition. Magnetic resonance imaging has high resolution but with low accuracy in brain tumor diagnosis, spatially for heterogeneous tumors. Magnetic resonance spectroscopy imaging (MRSI) provides accurate tissue typing information, but the resolution is very low. Under this background, this project will aim at solving the brain tumor unsupervised recognition problem based on multi-modal data fusion in order to obtain brain tumor recognition results with high accuracy and high resolution. First of all, matrix factorization methods and fusion modeling will be studied for multi-dimension and multi-scaling data fusion. Second, convex transformation method for threshold optimization problem will be studied for heterogeneous brain tumor recognition. The expected achievement will be practical unsupervised methodology for high accuracy and high resolution brain tumor recognition.

多模态核磁共振技术的快速发展在增加脑肿瘤识别信息量的同时，也对数据理解与信息综合解译提出了新的挑战。核磁共振成像的图像分辨率较高，但是对脑肿瘤（特别是异质性脑肿瘤）的识别率不高；利用核磁共振谱成像数据进行脑肿瘤识别具有较高的识别率，但是其数据的空间分辨率很低。在此背景下，本项目旨在解决基于多模态数据融合的脑肿瘤非监督识别问题，实现兼具高识别率和高分辨的脑肿瘤识别。首先，针对多模态核磁共振数据融合问题，研究多维度多尺度数据的矩阵分解与融合建模方法，以及基于迭代的融合模型分解方法；在此基础上，针对异质性脑肿瘤的非监督识别问题，研究分层识别过程中门限的凸优化转化问题。本项目研究成果可以为多模态核磁共振数据的综合解译以及高识别率、高分辨率的脑肿瘤非监督识别工作提供实用有效的方法。

脑肿瘤，特别是恶性脑肿瘤，是威胁人类健康的重要因素之一。早期检测对脑肿瘤的治疗及预后至关重要。在生物医学工程高速发展的大背景下，对脑肿瘤的检测也逐渐变得多样化。核磁共振成像技术作为脑肿瘤的主要检测手段之一，应用广泛，但是由于其自身成像原理，对脑肿瘤的识别的准确性并不稳定。相比之下，基于组织化学成分的新技术核磁共振谱成像可以更准确地对组织类型进行识别，但是其空间分辨率很低。对多模态数据进行有效地融合对脑肿瘤的准确及高分辨识别具有重要意义。..本项目结合矩阵分解、图像融合等理论，针对脑肿瘤的准确识别，对图像和谱数据的融合方法进行深入研究。首先，进行多模态数据融合方法的建模。包括图像数据和谱数据的维度及尺度统一方法研究，图像融合策略研究，提出基于NMF的融合模型等。然后，在对基于NMF的脑肿瘤MRSI识别方法进行研究的基础上，对小波分解的MRI图像和MRSI产生的图像进行融合方法研究，提出了基于NMF分解的数据融合的求解方法。最后，进一步对恶性胶质细胞瘤的识别问题进行研究，提出了基于hNMF的融合方法，对更多组织类别的识别问题进行了实验和分析，解决了更复杂的恶性胶质细胞肿瘤识别中的融合问题。