稀疏范围约束学习及其在医学图像分级中的应用

稀疏学习已被证明能有效解决许多现实世界问题。寻找稀疏表示是包括信号处理、计算机视觉、基因组研究和医学成像在内的许多科学领域的一个基本重要课题。应用稀疏表示的一个重要问题是找到表示数据的基，尤其在计算机视觉和医学成像中数据未必是不相干的时候。在医学成像中，临床医生常基于图像对疾病的严重程度分级或测量风险评分，此过程称为医学图像分级。通常手动进行疾病严重程度或风险评分的分级，但这繁琐、主观且昂贵。稀疏学习已被用于不同疾病的医学图像自动分级。在分级中，我们通常先一步利用一组参考图像或字典中的原子找到测试图像的稀疏表示；然后在第二步中，所选原子被用作参考来计算测试图像的分级。由于两步顺序执行，第一步的目标函数未必为第二步优化。本文提出一种新颖的稀疏范围约束学习（SRCL）算法用于医学图像分级。与大多数现有稀疏学习算法不同，SRCL 将寻找稀疏表示与目标图像分级整合进一个函数。其旨在基于在数据与特征表示及医学分级评分上均最相似的原子，找到测试图像的稀疏表示。我们将提出的 SRCL 应用于 CDR 计算和白内障分级。实验结果表明，所提方法能够提高杯盘比计算与白内障分级的准确率。