CN103700083A - 基于自适应模糊神经网络模型ct灌注图像智能融合方法 - Google Patents

Abstract

本发明公开了一种基于自适应模糊神经网络模型CT灌注图像智能融合方法，涉及人工智能、模式识别与医疗工程的交叉领域，可应用于缺血性脑部的诊断。该方法在CT灌注图像中只提取与缺血性脑血管病相关的信息—脑血流量、脑血流容积、对比剂平均通过时间和峰值时间的特征图，经合理的动态模糊神经网络模型训练学习，通过恰当的图像融合方法处理，得到CT解剖图的融合图像，该融合图像可应用于缺血性脑部的诊断，实现了头颅灌注多参数图像综合分析的智能化和自动化。

Description

基于自适应模糊神经网络模型CT灌注图像智能融合方法

技术领域

本发明涉及人工智能、模式识别与医疗工程的交叉领域，更具体涉及CT灌注图像的智能融合方法，可应用于缺血性脑部的诊断。

背景技术

脑血管疾病目前是目前全球范围内致死率、致残率最高的疾病之一，严重危害人类健康，并给社会和患者家庭带来沉重的负担。其中，缺血性脑血管病又是最常见的脑血管疾病类型，占所有脑血管病的65%-80%。不同病因引起的缺血性脑血管病脑血液动力学障碍均可能导致脑组织缺血、梗死而引起患者神经功能障碍，严重的甚至导致患者死亡。因此，进行缺血性脑血管病的研究，发明切实有效地疾病诊断治疗方法，不仅仅有重要的科研价值，同时也具备重大的实际应用价值。

随着计算机成像技术和计算机水平的不断提高，利用模式识别技术进行医学图像的研究逐渐成为图像处理研究的热点。随着研究的不断深入，目前已经具备一定的理论基础和实践经验，也取得了一系列成果。

在治疗缺血性脑病中，计算机体层摄影灌注成像作为一种用于了解人体组织血流灌注状态的功能成像手段现已列入诊断缺血性脑血管病的常规检查方案。据文献报道，CT灌注成像能最早显示出现症状30分钟以内的脑缺血病灶，对诊断早期脑梗死的敏感性和特异性分别为93%、98%。因此，CT灌注成像较之常规解剖学成像对于早期发现缺血性脑病变、对超急性期脑梗死的诊断具有更加重要的临床应用价值。目前，计算机体层摄影和磁共振脑灌注成像是一种用于了解脑组织血流灌注状态的功能成像手段，现已列入诊断缺血性脑血管病的常规检查方法。不同于常规解剖学成像的是，该技术在静脉注射对比剂的同时对选定的感兴趣层面进行连续动态扫描以获得所选层面内各像素的时间-密度曲线，根据指示剂稀释原理和中心法则并通过复杂的数学模型计算得到脑血流量、脑血流容积、对比剂平均通过时间和峰值时间等四个灌注参数（例如机器型号：Toshiba Aquilion ONE320排）。对脑组织的灌注状态评价依赖于放射科医生通过对上述血流动力学灌注参数图像上的表现来判断脑组织缺血情况，并需结合解剖学成像所获取的信息来分析脑组织缺血的病变区域和病变程度信息。

神经网络模型是模拟生物神经系统原理而构建的一种新型智能化信息处理系统，简称神经网络。神经网络模型具有很强的自我组织、自我适应的学习训练能力、同时具备高度的鲁棒性和容错能力，被广泛应用于图像处理、信息处理、模式识别、数据挖掘等各个研究领域。本发明中神经网络模型（李清梦等神经网络技术及其在医学图像处理中的应用.中国医学影像学技术,2011,27(6):1291-1294.）构建缺血性脑血管病CT灌注成像参数分析模型，并应用图像融合技术（马国锐等，基于融合和广义高斯模型的遥感影像变化检测，遥感学报，2006，10（6）：837-853）将灌注成像诊断信息直接与解剖学图像进行融合实现诊断结果可视化，进一步促使缺血性脑血管病CT灌注成像的诊断过程准确化、智能化。

发明内容

本发明的目的是，提供一种基于自适应模糊神经网络模型CT灌注图像智能融合方法。该方法基于动态模糊神经网络模型以及图像智能融合方法，通过对CT灌注图像中的脑血流量、脑血流容积、对比剂平均通过时间和峰值时间四个异常值图像的融合，得到CT解剖图的融合图像。本发明的优点是：实现了头颅灌注多参数CT图像综合分析的智能化和自动化。

为了达到上述目的，本发明采用如下技术方案。一种基于动态模糊神经网络模型的CT灌注医疗图像智能融合方法，该方法包含下列步骤：

a、在每张CT灌注图像中分别提取脑血流量、脑血流容积、对比剂平均通过时间和峰值时间的特征图；

b、利用神经网络模型分别对脑血流量、脑血流容积、对比剂平均通过时间和峰值时间的特征图样本进行训练，分别获得各CT灌注图像上述四个特征图的异常值图像；

c、采用图像融合方法，将各CT灌注图像上述四个特征图的异常值图像融合到CT解剖图上，得到CT解剖图的融合图像。

本发明基于动态模糊神经网络模型，采用该模型可以处理多类图像和自我归一化更强的能力，训练中在进行融合过程迭代运算时易收敛，对噪声并不敏感等优势，可有效地计算脑血流量、脑血流容积、对比剂平均通过时间和峰值时间的异常值图像。通过分析脑血流量、脑血流容积、对比剂平均通过时间和峰值时间的图像特征关系与CT解剖图的纹理的空间关系，采用图像融合方法中基于代数加权的乘积变化对其进行融合处理，得到CT解剖图的融合图像。

本发明的优点是：在CT灌注图像中只提取与缺血性脑血管病相关的信息—脑血流量、脑血流容积、对比剂平均通过时间和峰值时间的特征图，经合理模型的训练学习，通过恰当的图像融合方法处理，得到CT解剖图的融合图像，该融合图像可应用于缺血性脑部的诊断，实现了头颅灌注多参数图像综合分析的智能化和自动化。

附图说明

图1是在CT灌注图像中提取的脑血流量特征图。

图2是在CT灌注图像中提取的脑血流容积特征图。

图3是在CT灌注图像中提取的对比剂平均通过时间特征图。

图4是在CT灌注图像中提取的峰值时间特征图。

图5是在CT解剖图的融合图像。

具体实施方式

以下结合附图，对本发明作进一步的说明。

实施例一

一种基于自适应模糊神经网络模型CT灌注图像智能融合方法，该方法包含下列步骤：

a、在每张CT灌注图像中分别提取脑血流量、脑血流容积、对比剂平均通过时间和峰值时间的特征图样本；

b、利用神经网络模型分别对脑血流量、脑血流容积、对比剂平均通过时间和峰值时间的特征图样本进行训练，分别获得各CT灌注图像上述四个特征图的异常值图像；

c、采用图像融合方法，将各CT灌注图像上述四个特征图的异常值图像融合到CT解剖图上，得到CT解剖图的融合图像。

上述步骤b中所述的神经网络模型采用下面公式：

$O\left(k\right)=\underset{j}{\mathrm{\Σ}}{W}_j^o\left(k\right)\·X_j\left(k\right)=f\left(S_j\left(k\right)\right)$

$S_j\left(k\right)=W_j^o{X}_j(k-1)+\underset{j}{\mathrm{\Σ}}{W}_{\mathrm{ij}}^I{I}_i\left(k\right)$

其中：当对脑血流量进行训练时，

为脑血流量特征图异常值图像面积与CT灌注图像面积的比值；X_j(k)是脑血流量特征图异常值图像纵坐标为j、衰减系数为K时的误差参数，其中：j=1，2，…，n，n纵坐标的最大值；I_i(k)是脑血流量特征图异常值图像横坐标为i、衰减系数为K时的收敛参数，其中：i=1，2，…，m，m横坐标的最大值；当对脑血流容积进行训练时，

为脑血流容积特征图异常值图像面积与CT灌注图像面积的比值；X_j(k)是脑血流容积特征图异常值图像纵坐标为j、衰减系数为K时的误差参数，其中：j=1，2，…，n，n纵坐标的最大值；I_i(k)是脑血流容积特征图异常值图像横坐标为i、衰减系数为K时的收敛参数，其中：i=1，2，…，m，m横坐标的最大值；当对对比剂平均通过时间进行训练时，

为对比剂平均通过时间特征图异常值图像面积与CT灌注图像面积的比值；X_j(k)是对比剂平均通过时间特征图异常值图像纵坐标为j、衰减系数为K时的误差参数，其中：j=1，2，…，n，n纵坐标的最大值；I_i(k)是对比剂平均通过时间特征图异常值图像横坐标为i、衰减系数为K时的收敛参数，其中：i=1，2，…，m，m横坐标的最大值；当对峰值时间进行训练时，

为峰值时间特征图异常值图像面积与CT灌注图像面积的比值；X_j(k)是峰值时间特征图异常值图像纵坐标为j、衰减系数为K时的误差参数，其中：j=1，2，…，n，n纵坐标的最大值；I_i(k)是峰值时间特征图异常值图像横坐标为i、衰减系数为K时的收敛参数，其中：i=1，2，…，m，m横坐标的最大值；。

上述步骤b中所述的训练方法采用神经网络模型自带的学习训练方法。

上述步骤c中所述的图像融合方法采用基于代数加权的乘积变化图像融合方法，公式如下：

F(i,j)=A(i,j)×B(i,j)/maxB(i,j)

A(i,j)=f₁(i,j)×f₂(i,j)×f₃(i,j)×f₄(i,j)/4

其中：F(i,j)为将脑血流量、脑血流容积、对比剂平均通过时间和峰值时间特征图的异常值图像融合到CT解剖图上，得到CT解剖图的融合图像；B(i,j)为CT解剖图上，maxB(i,j)为CT解剖图上像素的最大值，A(i,j)为脑血流量、脑血流容积、对比剂平均通过时间和峰值时间四个特征图的异常值图像均值，f₁(i,j)，f₂(i,j)，f₃(i,j)和f₄(i,j)分别为脑血流量、脑血流容积、对比剂平均通过时间和峰值时间的异常值图像。

实施例二

一种基于自适应模糊神经网络模型CT灌注图像智能融合方法，该方法包含下列步骤：

a、在每张CT灌注图像中分别提取脑血流量、脑血流容积、对比剂平均通过时间和峰值时间的特征图样本。图1为脑血流量特征图样本，图2为脑血流容积特征图样本，图3为对比剂平均通过时间特征图样本，图4为峰值时间特征图样本。

b、利用神经网络模型分别对脑血流量、脑血流容积、对比剂平均通过时间和峰值时间的特征图样本进行训练，分别获得各CT灌注图像上述四个特征图的异常值图像；

c、采用图像融合方法，将各CT灌注图像上述四个特征图的异常值图像融合到CT解剖图上，得到CT解剖图的融合图像。图5即为上述四幅特征图样本，经神经网络模型分别训练后，得到的四个特征图的异常值图像通过融合得到的CT解剖图的融合图像。

Claims (4)

1.基于自适应模糊神经网络模型CT灌注图像智能融合方法，其特征在于，该方法包含下列步骤： 

a、在每张CT灌注图像中分别提取脑血流量、脑血流容积、对比剂平均通过时间和峰值时间的特征图样本； 

b、利用神经网络模型分别对脑血流量、脑血流容积、对比剂平均通过时间和峰值时间的特征图样本进行训练，分别获得各CT灌注图像上述四个特征图的异常值图像； 

c、采用图像融合方法，将各CT灌注图像上述四个特征图的异常值图像融合到CT解剖图上，得到CT解剖图的融合图像。 

2.根据权利要求1所述的基于自适应模糊神经网络模型CT灌注图像智能融合方法，其特征在于，步骤b中所述的神经网络模型采用下面公式： 

其中：当对脑血流量进行训练时，

为脑血流量特征图异常值图像面积与CT灌注图像面积的比值；X_j(k)是脑血流量特征图异常值图像纵坐标为j、衰减系数为K时的误差参数，其中：j=1，2，…，n，n纵坐标的最大值；I_i(k)是脑血流量特征图异常值图像横坐标为i、衰减系数为K时的收敛参数，其中：i=1，2，…，m，m横坐标的最大值；当对脑血流容积进行训练时， 

为脑血流容积特征图异常值图像面积与CT灌注图像面积的比值；X_j(k)是脑血流容积特征图异常值图像纵坐标为j、衰减系数为K时的误差参数，其中：j=1，2，…，n，n纵坐标的最大值；I_i(k)是脑血流容积特征图异常值图像横坐标为i、衰减系数为K时的收敛参数，其中：i=1，2，…，m，m横坐标的最大值；当对对比剂平均通过时间进行训练时，

为对比剂平均通过时间特征图异常值图像面积与CT灌注图像面积的比值；X_j(k)是对比剂平均通过时间特征图异常值图像纵坐标为j、衰减系数为K时的误差参数，其中：j=1，2，…，n，n纵坐标的最大值；I_i(k)是对比剂平均通过时间特征图异常值图像横坐标为i、衰减系数为K时的收敛参数，其中：i=1，2，…，m，m横坐标的最大值；当对峰值时间进行训练时，为峰值时间特征图异常值图像面积与CT灌注图像面积的比值；X_j(k)是峰值时间特征图异常值图像纵 坐标为j、衰减系数为K时的误差参数，其中：j=1，2，…，n，n纵坐标的最大值；I_i(k)是峰值时间特征图异常值图像横坐标为i、衰减系数为K时的收敛参数，其中：i=1，2，…，m，m横坐标的最大值。 

3.根据权利要求1所述的基于自适应模糊神经网络模型CT灌注图像智能融合方法，其特征在于，步骤b中所述的训练方法采用神经网络模型自带的学习训练方法。 

4.根据权利要求1所述的基于自适应模糊神经网络模型CT灌注图像智能融合方法，其特征在于，步骤c中所述的图像融合方法采用基于代数加权的乘积变化图像融合方法，公式如下： 

F(i,j)＝A(i,j)×B(i,j)/maxB(i,j) 

A(i,j)＝f₁(i,j)×f₂(i,j)×f₃(i,j)×f₄(i,j)/4 

其中：F(i,j)为将脑血流量、脑血流容积、对比剂平均通过时间和峰值时间特征图的异常值图像融合到CT解剖图上，得到CT解剖图的融合图像；B(i,j)为CT解剖图上，maxB(i,j)为CT解剖图上像素的最大值，A(i,j)为脑血流量、脑血流容积、对比剂平均通过时间和峰值时间四个特征图的异常值图像均值，f₁(i,j)，f₂(i,j)，f₃(i,j)和f₄(i,j)分别为脑血流量、脑血流容积、对比剂平均通过时间和峰值时间的异常值图像。 

Images