基于多视图半监督流行学习的左房壁瘤体积直接估算.pdf 11页

'中国科技论文在线http://www.paper.edu.cn基于多视图半监督流行学习的左房壁瘤体#积直接估算*王连生，李暑升5（厦门大学信息科学与技术学院，厦门，361005）摘要：左房壁瘤体积的准确估算在肿瘤的早期诊断和治疗计划中是一项具有实际应用价值的课题。然而由于左房壁瘤通常具有形态变化大、边界不明显以及与周围环境对比度低等特点，所以对左房壁瘤的分割无论对于人工或者计算机来说都是一个挑战性的工作。为了克服房壁10瘤的形态不规则和周围环境复杂性，论文提出了一种新颖的多视图半监督流形学习算法对体积进行直接估算，它能够融合多视图特征并且充分利用监督信息和未标记样本生成区分度高和鲁棒性强的房壁瘤图像特征表达。然后基于房壁瘤图像的特征表达，利用随机森林模型直接估算房壁瘤体积。本文提出的方法在临床数据行进行了验证和与其它算法进行了比较，实验结果体现了提出方法在临床中的潜在应用价值。15关键词：左房壁瘤；体积估算；机器学习中图分类号：T181DirectVolumeEstimationofLeftAtrialAneurysmBasedonSemi-supervisedManifoldLearning20WangLiansheng,LiShusheng(InformationSchool,XiamenUniversity,Xiamen,361005)Abstract:Accuratevolumeestimationofleftatrialaneurysmplaysapracticallyessentialroleintheearlydiagnosisandtherapyplanning.However,itisachallengingtaskduetohugeshapevariabilitiesofaneurysms,greatappearancevariationsofimagesandlowcontrastwithitssurrounding,whichtends25tobeintractableformanualandautomaticsegmentation.Inthispaper,weproposeanovelvolumeestimationframeworkfordirectestimationofatrialaneurysmvolumeswithoutsegmentation.AccuratevolumeestimationwiththehelpofComputer-aidedtechnology(CAD)cansignificantlyreducetheworkloadofdoctorsandprovidevaluablydiagnosticinformation,whichplaysanimportantroleinclinicpractice.Tohandlethehighvariabilitiesandvariations,weproposeanewmulti-view30semi-supervisedmanifoldlearning(MSML)algorithm.MSMLfusesmultiplecomplementaryfeaturestogeneratecompact,informativeanddiscriminativeaneurysmimagerepresentationbyleveragingbothlabeledandunlabeleddata.TheMSMLisabletojointlyextractdiscriminatefeaturesthataredirectlyrelatedtoaneurysmvolumeswhileremovingtheredundantinformation,whichenablesmoreefficientandaccuratevolumeestimation.BasedontheobtainedimagerepresentationbytheMSML,weadopt35randomregressionforeststoconductdirectandefficientvolumeestimation.Experimentsonaclinicaldatasetdemonstratetheeffectivenessofourproposedmethodforaneurysmvolumeestimation,indicatingitspotentialuseinclinicalpractice.Keywords:leftatrialaneurysm；volumeestimation；machinelearning400引言左房壁瘤分为先天性房壁瘤和后天产生的房壁瘤。其中先天性左房壁瘤是一种罕见病变，属于先天性左心房房壁一部分“膨出”，可以发生在左心房的任何部位，但是在左心耳及基金项目：国家自然基金面上项目（编号：61671399），教育部博士点基金（编号：20130121120045），以及中央高校基本科研业务费专项资金（编号：20720150110）。作者简介：王连生，男，副教授，硕导，主要研究方向：医学图像处理.E-mail:lswang@xmu.edu.cn-1- 中国科技论文在线http://www.paper.edu.cn[1]其周围最为常见。“先天性左房壁瘤属于一种稀少的先天性心脏病变，也叫左心房动脉[2]45瘤”。先天性左房壁瘤起因通常是左房壁发育不好，从而造成左心房“凸出”。本文的研究课题是关于左房壁瘤的体积直接估算。虽然多数房壁瘤患者并无症状或者只有轻微胸痛。但是随着房壁瘤瘤体的增大，会压迫临近心腔与大血管，容易造成血栓，并引起多种并发症，因此，左房壁瘤也威胁着患者的生命安全。而医生对于房壁瘤的临床诊断、治疗方案选择和跟踪房壁瘤的发展主要是根据房壁瘤的大小。因此，房壁瘤的大小对于临床[3]50医生有着重要的参考价值。在论文中，房壁瘤的大小主要是通过基底大小简单衡量的，也就是临床医生在房壁瘤CT断层图像中选择房壁瘤面积较大的断层，利用二维尺度测算房壁瘤基底，由此进行粗略的估计。但是，这种主观的判断所带来的误差会对后续的治疗方案或者疗效评估产生较大的影响，不利于客观地评价和患者的治疗。但是，房壁瘤的分割本身就是一个难度高的任务。传统的分割方法主要依赖于分割对象55的边界和区域灰度的均匀性。然而，房壁瘤在CT图像中的边界是不明显的，因为它常常依附在心房壁上，并且周围存在着大量的噪声。复杂的图像纹理也使得它们的区域很难保持均匀性。此外，传统的分割需要大量参数设置和繁重运算量，所以很难在临床中广泛应用。本文针对手工测量体积的耗时耗力和分割算法的缺陷，提出了一种新颖的不需要分割步骤的体积直接估算框架。这种框架的思想是基于统计学或者机器学习方法，在大量训练集上训练60出鲁棒性高的模型，然后再进行体积直接估算。这种方法不同于基于分割算法的体积计算方式，因为它不会出现体积计算失败的情况。为了克服房壁瘤的形态不规则和周围环境复杂性，本文提出了一种新颖的多视图半监督流形学习算法对体积进行直接估算，它能够融合多视图特征并且充分利用监督信息和未标记样本生成区分度高和鲁棒性强的房壁瘤图像特征表达，从而帮助随机森林学习到更加鲁棒性的模型，进而更准确地直接估算体积。651常用图像特征提取方法1.1HOG[4]论文中，Dalal等提出了方向梯度直方图（HistogramOrientedofGradient，简称HOG），它的目的是用于行人特征提取，并且在一些数据集中进行了测试，获得了优秀的性能。后来，很多学者在HOG的基础上进行改进或者结合HOG算法提出更加鲁棒性的特征提取算法。70HOG特征能过获取图像的局部梯度幅度和方向特征，并且基于梯度特征对局部块（block）的梯度特征进行归一化处理，允许块与块之间的重叠来得到相关性特点。它的思想是计算和统计图像局部区域的方向梯度直方图，从而构成特征描述子。对于HOG特征，cell的大小（cellsize）是一个非常重要的参数。如图1，分别取不同的cellsize值，得出HOG特征可视化图像。从中可以看出，当cellsize增大时，特征图像看75起来会比较稀疏，获取整个图像比较粗略轮廓。-2- 中国科技论文在线http://www.paper.edu.cn(a)(b)(c)80图1HOG特征可视化图像。(a)为左房壁瘤图像(b)为cellsize较小时HOG特征图像(c)为cellsize较大时HOG特征1.2P-SIFTP-SIFT（PyramidScale-invariantfeaturetransform）特征的主要思想是利用多分辨率金字85塔化的算子来定义局部特征，这样就能更好地获取多层次的局部块（localpatch）细节来提高图像的区分度。如图2所示，对于一个左房壁瘤图像的局部块，取不同的参数，可以获取不同层次的细节。设置不同的池化区域(poolingregion),可以获得不同的池化中心。图2(a)到图2(b)分别取不同的N值，得到了不同数量的池化中心。而且从图2可以看出，设置不同的参数，图像的细节也呈现出不同的变化。可以将图2从左到右定义为粗糙（Coarse）SIFT，90中等（Medium）SIFT和精细（Fine）SIFT特征。(a)(b)（c）95图2P-SIFT特征算子是由不同多分辨率不同层次的SIFT算子所构成的。(a)为粗糙SITF，(b)为中等SIFT，(c)为精细SIFT1.3GIST100GIST算子所提取的图像特征属于频率域图像的。GIST是典型的从“宏观”频率域的角度来描述，比较不在意局部信息。CT图像是用不连续的序列结构表示的，所以离散傅里叶变换一般如下表示：MN11j2(uxvx)Luv(,)Ixyhxye(,)(,)(1.1)xy00-3- 中国科技论文在线http://www.paper.edu.cn其中，Ixy,是图像空间域的灰度值分布，u,v则表示频率域的变量。hxy,是循环105的汉宁窗口。容易得出，由于傅里叶变换进行采样，所以Lxy,是一个周期函数。图像的光谱可以用Auv(,)|(,)|Iuv进行表示。一般说来，对于图像的表示，可以用另外一种方式来描述图像中主要结构之间的空间关系。也就是说局部的能量频率图提供局部的结构信息，同时可以利用小型窗口对图像的局部场景信息进行详细的分析。2基于多视图半监督流形学习的体积直接估算110流形学习(manifoldlearning)是从高维的数据空间中恢复低维流形结构一种空间表示，其[6]主要目的是实现高维数据维数的减少，可以视为一种数据降维方法，寻找数据的本质特征，[7]同时提高数据在相关方面的计算性能。半监督学习近年来吸引了大量学者的关注，因为半监督能够充分利用未标记的样本从而扩大样本数量。对于医学图像来说，现在的医学数据库的样本数量越来越大，对于样本的标记也是一个非常需要人力物力的工作，很多临床医生并115没有足够的时候标记样本提供给相关研究机构，让医生把所有病灶全部标识出来是不像是的，所以利用半监督学习能够非常好地应对这个问题。事实上，未标记的样本虽然没有直接含有监督信息，但是它们是和标记样本来自同样的数据源，所有这非常大的参考意义。在前面的小节中，从不同角度综合地提取了左房壁瘤的特征，可以定义为多视图特征。这些特征从全局或者局部进行刻画房壁瘤图像，如果能利用比较新和有效的技术手段将它们融合在一120起，这个就能生成一种非常综合、鲁棒性高的和紧凑的特征进行房壁瘤图像的表达，然后再利用标记进行学习和训练，就能为本研究提供一个性能卓越的模型进行直接估算体积。所以，本文重点介绍如何利用半监督的流形学习算法融合多视图特征，并训练出行之有效的模型，再进行相关临床数据进行实验评估。不经过分割步骤直接估算体积的方法近年来逐渐引起了关注，并取得了许多新的突破。125这种方法主要适用于医学方面，而且集中在组织和器官上的体积估算上。目前，直接估算体积的方式已经成为估算心室体积的一种重要的工具，在准确率和鲁棒性方面都比基于传统分割方法的体积估算更具有优势。但是，目前已经存在的体积直接估算方法并不能直接用在房壁瘤体积的估算上。因为无论是心室或者心房，它们都具有比较明显的边界、位置和大小，并且在不同人群中，都有比较稳定的解剖结构；而对于房壁瘤而言，房壁瘤形状和大小在不130同患者之间都是不同的，在一些极端的病例中，房壁瘤是非实体的，甚至很难从周围背景中分辨出来，即使经验丰富的临床医生有时候也需要花费较长的时间确认。所以，目前几乎没有房壁瘤的分割或者体积计算方面的相关文献。本文基于房壁瘤的研究现状和临床需求，提出了一种行之有效的房壁瘤体积估算框架，并且通过临床数据的实验分析，验证了本文方法在临床上的潜在应用价值。135LPP是无监督流形学习算法，如果能在权重矩阵中加入标签信息（房壁瘤面积）信息，-4- 中国科技论文在线http://www.paper.edu.cn[8]这样就能降低噪声干扰。引入监督学习思想，充分利用监督信息，提出改进监督权重矩阵的构造方法。假设高维空间中存在数据集X(,,...,,xxxx,...,x)，其中具有标记样本12uu1nuu的数据是{(,)}xyiii1,yi代表的就是连续值的标签信息，则假设X{(,)}xyiii1。(1)寻找每个样本的邻近样本。通常，对于无监督流形学习，是利用欧式距离求出最近140的k个样本得到k邻图，然后利用G表示。G的构造利用0-1的方式，如果两个样本近邻，则为1；否则，置为0。但是，对于本研究来说，可以借助回归信息（标签信息）来进一步提高寻找近邻样本的准确性。因为完全利用欧式距离忽略标签信息，找到的邻近样本从某种程度上来说不一定是真正的近邻样本，有可能存在一定的偏差。如果能够充分结合标签信息得到邻近样本，能够为后面的降维和房壁瘤图像特征表达奠定良好的基础。这里利用互补函[9]145数作为惩罚项：fZ()Z/(Z)，其中和是标量参数。当两个样本的标签信息差距很大的时候，这个惩罚项的函数值能够迅速增加，从而拉开样本之间的距离。利用Dij表示样本之间的欧式距离，则通过加入惩罚项，能够改进Dij，从而提高寻找近邻样本的鲁棒性。改进后的Dij如下所示：Dijf(|yy|)D，(i,j=1,2,...,u)(2.1)ijij150(2)构造带权重的标签矩阵。权重矩阵能够反映近邻点之间的局部的几何结构，是一个稀疏的对称矩阵。对于无监督流形学习，在权重矩阵中忽略样本的标签信息，只是单纯利用样本之间的相似度来构造权重矩阵。本研究直接将样本之间的标签信息（房壁瘤面积）以高斯核的形式作为调整项改进无监督流形学习的权重矩阵，从而更加鲁棒的提高样本之间的相似度。改进后的带标签权重矩阵如下：2yyij/2155WijWeij(2.2)(3)LPP的目标函数：TTminpXLXp(2.3)其中，设B是对角矩阵，BWiijji，而L是改进后的拉普拉斯矩阵，表示为：LBW。假设pp,...,p是前l最小的特征值对应的特征向量，则映射矩阵表示为01l1160P(pp,,...,p)。这样映射的结果可以表示为：01l1TxzPx，(i,j=1,2,...,u)(2.4)iii以上过程是将监督信息嵌入到LPP流形学习方法中，使LPP在初始步骤就能利用到监督信息选择近邻样本和构造权重矩阵，从而获取有监督信息的映射矩阵，更好地保持样本的u信息和保持样本的局部流形结构。但是，由于只有训练样本{(,)}xy才具有监督信息，iii1n165剩下的(n-u)个样本并没有相应的标记。这就需要使用相关方法来保证所有样本()x的全局ii1特征，下面引入主成分分析（PrincipalComponentAnalysis，简称PCA）来实现半监督学习。-5- 中国科技论文在线http://www.paper.edu.cnTPCA寻找特征幅度变化最大的方向，也就是寻找pX对应的主方向（方差最大的方向），TT同时，为了使pX与X尽可能相似，需要设计投影pp1，满足于是目标函数可以写成：TTTmaxpXXp,s.t.pp1(2.5)170将（2.3）与（2.5）结合在一起，就可以实现半监督学习，充分利用标签信息和未标记的样本。监督信息用来最大化样本之间的区分性，而利用非监督信息则可以尽可能保持数据之间固有的几何结构。特别的通过半监督学习到的特征能够尽可能在局部流形保持数据平滑的特性。半监督流形学习的最终目标函数如下：TTTTminpXLX(XX)p，s.t.pp1(2.6)175其中，(0,)是调整参数。[10]将不同的特征提取方法应用在相同的原始数据中，会呈现出不一样的效果。这些不同的特征可以从不同角度来反映同一对象的不同特性，通常称为多视图特征。多视图特征近年来在计算机视觉领域称为热点研究问题，因为它可以针对不同的任务融合不同的特征，从而更加综合地表现图像的特征，在分类问题上达到卓越的效果。因为多视图特征能在一定程180度上减少数据噪声，同时提高样本之间的统计意义，从而获取更加精准和高层次信息的表达。本文提出的多视图半监督流形学习方法，能够利用多种不同特征的视角表达房壁瘤图像的特征，比如从全局特性和局部特性，并且充分利用未标记的样本和已经标记的样本实现半监督学习，结合流形学习的方式，提取出数据的本质、区分度高的信息，从而学习和生成出区分度高、鲁棒性强和紧凑的特征表达。具体实现过程如下：185假设从房壁瘤图像中提取了v个特征，vV1,2,...,，q表示相应特征v的维度。这样，不v同特征提取的具有标签信息的样本数据就可以表示为:X(,xxvv,...,xv)quv。对于多v12u视图流形学习，可以将LPP目标函数用(2.7)表示：Vmin{}pVvppvXLXvvv，s.t.ppvv1和v1(2.7)vv1v1v其中L是拉普拉斯矩阵，不同的视图特征共享这个拉普拉斯矩阵，是由LBW获取190的。是权重参数，它与不同视图的特征有关。因为L的计算是通过不同样本的监督信息v获取的，所以样本的标签信息嵌入到了特征的学习中，从而实现了监督流形学习。因此，获取的低维特征是具有高度的区分性的。多视图特征共享了拉普拉斯矩阵，使得在低维空间中能够实现了特征提取综合性，并且有高度相关性的特征。为了在多视图特征学习中能够充分利用丰富的未标记样本数据，在本研究中进一步的利用了195半监督的方式进行流形学习。对于所有样本，用矩阵X(,xxvv,...,xxv,v,...,xv)qnvv12uu1n表示，其中v不同的特征。利用PCA的思想，将多视图特征进行协方差最大化，从而利用映射向量pv在得到低维空间。这样可以进一步的从原始特征中移除冗余的信息实现紧凑的房壁瘤特征图像表达。目标函数如下所示：-6- 中国科技论文在线http://www.paper.edu.cnVmax{}pVvppvXXvvvs.t.ppvv1和v1(2.8)vv1v1v200通过结合(2.7)和(2.8)，可以实现充分地利用监督信息和为标记样本，得到最终的多视图半监督流形学习（Multi-viewSemi-supervisedManifoldLearning，简称MSML）的目标函数:Vargmni{}pVvppv(XLXvvXXvv)vvv1v1s.t.ppvv1和v1(2.9)v其中，(0,)是调整p参数，是由交叉验证方法所得到的经验参数。映射向量p是通v205过求解每个特征视图的特征分解所得到的向量。图3多视图半监督流形学习的流程图210图3表示的是MSML的流程示意图。从图中可以看出，多视图半监督流形学习首先从原始房壁瘤图像中提取多视图特征，再进行融合和降维，最后生成房壁瘤图像的特征表达。多视图半监督流形学习能够借助监督学习从高维原始数据中提取综合的和区分性高的特征，并且借助无监督学习，在低维空间中全局最大化协方差，从而去掉冗余的和无关的信息。通过充分使用监督信息和未标签样本，MSML提供了多视图半监督流形学习框架更有效的融215合多视图特征，为房壁瘤图像提供区分度高和紧凑的特征表达，能够进一步提高房壁瘤体积直接估算的准确性。3实验分析利用随机森林直接估算房壁瘤体积的过程主要分为两步：①首先，采用不同的特征提取方法房壁瘤图像训练数据集生成特征向量，然后这些特征和标签信息在随机森林模型中进行220训练，得到训练模型；②给定一组房壁瘤图像的测试数据，用相同方法将训练集图像生成特征表达v，再利用随机森林寻来出来的模型直接进行预测。利用前面所述的HOG、GIST、P-SIFT特征提取算法来提取房壁瘤图像的多视图特征，然后通过本文提出的多视图半监督流形学习算法，将这些特征进行融合并降维。接着，将最后得到的特征向量通过已经训练好的随机回归森林模型进行求出房壁瘤体积。对于随机森林回归预测而言，设置500颗决策树[5]225能够学习到满足房壁瘤体积直接估算的回归模型。-7- 中国科技论文在线http://www.paper.edu.cn3.1数据集本文使用的房壁瘤数据集是从厦门解放军第一七四医院CT中心收集的，包含67套临床数据。有些临床患者拥有2-3个左房壁瘤。实验仪器是东芝AquilionONE320排动态容积CT，它能更加快速和准确地高分辨率成像，充分满足实验需要。本文研究的左房壁瘤都是230属于心包外型的。3.2评价标准本文所提出的方法从不同角度与其它方法进行对比，临床医生在房壁瘤图像上手动标记GroundTruth，然后计算房壁瘤的体积作为标准体积。为了验证本文的方法，本文采用多种评估方式进行分析：235(1)交叉验证。将数据集分为两组：一组是训练集，另外一组是验证集。随机森林分类器先在训练集里面训练，然后使用验证集验证训练好的模型，以此作为评价的指标。本文采用的交叉验证形式是留一验证，它意指每次验证的时候，先留出一个样本作为验证集，剩下的样本用作训练；然后不断的循环，直到所有样本都成为一次验证样本。(2)相关系数分析。通过计算临床医生手工标记得到的房壁瘤体积与估算体积的相关系240数，来分析各种估算方法的性能。相关系数的范围在0-1之间(r[0,1]),其中，r值越大，代表估算的体积与标准体积越接近，也就意味着方法的性能越好。(3)平均误差和标准差。平均误差（m）和标准差（）表示的是估算出来的房壁瘤volvol1N1N2体积与标准体积之间的误差，由如下式子定义：m和()m，voli1ivoli1ivolNN其中N表示样本数量，表示第i个样本估算出来的房壁瘤体积与标准体积之间的绝对差。i2453.3实验结果与分析本文使用的房壁瘤数据集是从厦门解放军第一七四医院CT中心收集的，包含67套临床数据。有些临床患者拥有2-3个左房壁瘤。实验仪器是东芝AquilionONE320排动态容积CT，它能更加快速和准确地高分辨率成像，充分满足实验需要。本文研究的左房壁瘤都是属于心包外型的。250如图4和图5所示，基于本文提出的方法所获取的直接估算房壁瘤体积与标准体积进行比较。从图4中可以清楚地看出它们之间的相关性，直线“y=x”代表体积标准线，圆圈则代表标准体积与估算体积的对比。尽管从房壁瘤图像中直接估算体积存在着巨大的挑战性，但是通过MSML方法估算的房壁瘤体积非常接近标准体积，估算的体积与标准体积的误差很小。-8- 中国科技论文在线http://www.paper.edu.cn255图4基于MSML估算的体积与标准体积的相关性如图5所示，基于MSML直接估算的体积与标准体积进行比较，可以看出，大多数基于MSML直接估算的体积也非常接近标准体积。相比于临床医生手工分割所获得的体积，260利用MSML估算的体积具有很高的估算精度和较小的误差。图4和图5表明MSML在临床上的潜力，能够以辅助诊断的形式帮助医生精确地获取房壁瘤体积。图5基于MSML估算的体积与标准体积的对比265为了更好地说明本文方法的性能，图6表示的基于MSML估算体积得到误差最小的房壁瘤案例。如图所示，虽然房壁瘤紧紧地附在心房壁上，并且房壁瘤没有较为明显的边界和对比度，但是本文提出的方法依然能够获得较高的准确性并且误差接近于零。所以，本文提出的方法能够克服房壁瘤形态变化性和复杂性，达到鲁棒性强的估算效果。270-9- 中国科技论文在线http://www.paper.edu.cn图6基于MSML估算的体积的最佳结果的房壁瘤数据，第一张图像表示房壁瘤图像的三维渲染，红色矩形框内表示房壁瘤。其它图像表示对应的连续CT横截面切片275除了与标准体积相比之外，本文还将基于MSML估算的房壁瘤体积与其它不同方式估算的体积进行比较，从而综合地体现MSML估算方法的优势。主要分为以下两种情况的对照：①从房壁瘤图像中单独提取HOG，GIST和P-SIFT等特征，而不做任何特征融合或者降维的处理；②与一些具有代表性的特征降维方法比较，如PCA。本文利用相关系数，平均误差和标准差形式比较这些方法的性能。280表1从三个指标比较不同方法的性能。由于MSML可以有效地融合多视图特征，并生成区分度高的并且紧凑的特征向量，从而比其他方法获取更加稳定的估算结果。从表中可以看出，MSML利用交叉验证所得到的相关性高达0.910，说明在临床中具有潜在的应用价值。同时，平均误差和标准差相比其它方法都能获得误差比较小的结果，验证了本文提出的方法在直接估算房壁瘤体积方面具有较好的鲁棒性。m3285表1不同特征提取方法的对比单位：r[0,1]，和的单位是mmvolvol特征提取方法MSMLHOGGISTP-SIFTPCAr0.9100.8530.8330.8490.866m158.172280.908300.937272.721295.591vol24.44838.438949.49941.92644.110vol4结论本文给出了一种不需要分割或者三维重建步骤的新颖的房壁瘤体积估算框架。本文首先介绍了多视图半监督流形学习方法的整体思路和提出这个方法的动机，并以此为切入点，展290开介绍了MSML方法的相关理论概念。通过实验分析可以发现，本文提出的多视图半监督流形学习具有更高的准确性和鲁棒性。通过利用最新的机器学习算法，例如半监督特征学习和随机森林回归模型，MSML实现了不需要经过分割步骤对房壁瘤体积的直接估算，而且在临床数据中取得了很高的精确性和较强的鲁棒性。（1）本文提出的方法是学习基于数据驱动的特征，从而能够有效地获取房壁瘤图像综合性的特征，并且可以提取出最利于房壁瘤295体积计算的特征表达；（2）本文提出将监督信息（房壁瘤面积）与LPP降维方法有效结合，从而将分类问题转变为回归问题，提取出更加适合房壁瘤体积直接估算的特征表达。本文主要介绍了三种特征提取方法，即HOG、P-SIFT和GIST特征。为了克服房壁瘤形态不规则和周围环境的复杂性，本文提出了多视图半监督流形学习算法将这些特征利用半监督学习方式进行有效的多视图融合和降维，从而有效表达房壁瘤图像。实验结果表明论文提出300的方法能够在各项评价指标上都有优势，从而验证了提出的方法在临床中的潜在应用价值。-10- 中国科技论文在线http://www.paper.edu.cn[参考文献](References)[1]李越,王廉一.左房房壁瘤一例报告[J].中华超声影像学杂志,1997(3).[2]申雪萍,喻智,刘亮.超声诊断左房房壁瘤1例[J].中华现代影像学杂志,2008.[3]刘昌华,王连生,林建坤,等.320排动态容积CT检测房壁瘤的探讨[J].医疗卫生装备,2015,36(12):30577-79.[4]DalalN,TriggsB.Histogramsoforientedgradientsforhumandetection[C].2005IEEEComputerSocietyConferenceonComputerVisionandPatternRecognition(CVPR"05).IEEE,2005,1:886-893.[5]RoweisST,SaulLK.Nonlineardimensionalityreductionbylocallylinearembedding[J].science,2000,290(5500):2323-2326.310[6]KimKI.Semi-supervisedLearningBasedonJointDiffusionofGraphFunctionsandLaplacians[C]//EuropeanConferenceonComputerVision.SpringerInternationalPublishing,2016:713-729.[7]CaiD,HeX,HanJ.Semi-superviseddiscriminantanalysis[C]//ComputerVision,2007.ICCV2007.IEEE11thInternationalConferenceon.IEEE,2007:1-7.[8]BenAbdelkaderC.Robustheadposeestimationusingsupervisedmanifoldlearning[C]//Europeanconference315oncomputervision.SpringerBerlinHeidelberg,2010:518-531.[9]ZhengS,CaiX,DingC,etal.Aclosedformsolutiontomulti-viewlow-rankregression[J].arXivpreprintarXiv:1610.04668,2016.[10]ZhenX,WangZ,IslamA,etal.Directestimationofcardiacbi-ventricularvolumeswithregressionforests[C]//MICCAI(2).2014:586-593.320-11-'