内蕴特征空间基于低秩和稀疏分析的医学图像集处理方法

The specific medical imageset usually concentrates on low-rank, sparse intrinsic structures. However, it remains chanllenging to extract and utilize such structures for the imageset processing method design that has self-adapting and self-learning charecteristics. Taking sparse representation and matrix completeness analysis theory as background mathematical tool, we focus on the low-rank and sparse analysis based medical imageset processing method. By extending the anisotropic heat diffusion based manifold differential analysis method to image for the measurement and invariant description of multi-scale intrinsic medical image structures, we can effectively transform the nonlinearity of image color space into linearity of intrinsic feature space. On that basis, we conduct low-rank and sparse representation based optimal modeling for some medical imageset processing requirements, which facilitates to the capalicity improvement of traditional low-rank and sparse representation theory in the aspects of nonlinear and multi-scale dataset analysis. Therefore, it has significant values in the adaptive labeling of organ anatomical structures，organ atlas based medical imageset co-segmentation，saliency map co-generation of medical imageset, etc. Specially, since the research in such fields is just a new rising topic in the world，it is very promising to obtain some innovative achievements through the research of this project.

特定器官的医学图像集所包含的信息大都集中在低秩、稀疏的内蕴结构中，但是如何自动提取该类结构并将其用于具有自适应和自学习特点的医学图像处理算法设计,还面临着诸多挑战。因此，本项目以稀疏表示和矩阵完备性分析理论为主要的数学工具，重点研究基于矩阵 "低秩+稀疏"表示理论的医学图像集处理方法。通过将基于各向异性热扩散理论的流形微分分析方法推广用于图像内蕴结构特征的度量和具有不变性的多尺度表示，可将图像在颜色空间的非线性相关性转化为特征空间的线性相关性。在此基础上，在内蕴特征空间对图像集处理问题进行基于"低秩+稀疏"表示的优化建模，可提高"低秩+稀疏"优化分析理论在非线性相关性分析和多尺度分析方面的处理能力，这对器官结构的自适应标注、基于图谱的器官分割以及图像集显著图的共生提取(co-generation)等应用具有重要的实用价值。目前，该领域的研究在国际上刚刚兴起，本项目有望取得重要创新成果。

由于特定器官的医学图像集所包含的具有多因素耦合的非线性特点的信息大都集中在低秩、稀疏的内蕴结构中，为了更好地辅助人们对医学图像集合的分析处理，本项目以稀疏表示和矩阵完备性分析理论为主要的数学工具，围绕“内蕴特征空间基于矩阵“低秩+稀疏”表示理论的医学图像集处理方法” 展开了深入研究，设计并实现了一个软件开发包。项目主要在如下3个方面取得了与预期目标相符的研究成果，为计算机辅助诊断、手术模拟训练、手术方案论证和手术预演等应用系统的研发提供必要的技术支持。.(1) 融合医学图像局部与全局信息的内蕴结构特征度量与描述方法：为了设计一种具有旋转、缩放、局部非刚性形变不变性的，对尺度差异、噪声和局部数据残损不敏感的图像内蕴特征的描述方法，本项目将基于各向异性热扩散理论的流形微分分析方法、机器学习和深度学习方法，应用于图像内蕴结构特征的度量和不变性多尺度表示中，将图像在颜色空间的非线性相关性转化为特征空间的线性相关性，为随后的理论研究奠定了坚实基础。.(2) 医学图像内蕴特征空间 “低秩+稀疏”优化建模与求解方法：由于不同的应用所利用的线性相关性不尽相同，为了根据具体应用需要选择特定形式的内蕴结构特征，辅助“低秩+稀疏”优化建模，并在恰当时间花费下找到优化解，本项目通过引入医学图像的内蕴特征转换算子，研究并实现了支持医学图像集非线性和多尺度分析的 “低秩+稀疏” 优化模型，并对特征约束下的核范数和L1范数最小化优化进行了高效求解，提高了非线性相关性分析和多尺度分析方面的处理能力，该成果可应用于器官结构的自适应标注、基于图谱的器官分割以及图像集显著图的共生提取等方面。.(3) “ 低秩+稀疏” 优化分析模型在医学图像集处理方面的应用：为了将医学先验知识以自学习的方式无缝融入到医学图像集的处理过程中，克服传统机器学习方法对样本构成、样本规模、训练方法和算法参数等方面的苛刻限制，本项目将“低秩+稀疏”模型与子空间聚类方法相结合，对“低秩+稀疏”分析理论在医学图像集中官语义结构自动标注应用方面的算法进行了研究，分别结合基于物理的可变形模型和多尺度稀疏编码表示，研究并实现了基于先验图谱和医学图像集的共生分割、图像集显著图共生提取等算法。部分方法已集成为支持医学图像批量处理的软件开发包，相关技术文档和用户手册也已撰写完毕。