[发明专利]一种基于神经网络模型的CT灌注医疗图像智能融合方法

说明书

技术领域

本发明属于计算机与医疗交叉领域，特别是一种基于神经网络模型的CT灌注医疗图像智能融合方法。

背景技术

随着医学图像成像技术的不断提高，医学图像融合逐渐成为图像处理研究的热点。医学图像配准和医学图像融合有着密切的联系，特别是对多模态图像而言，图像配准是图像融合的先决条件，必须进行配准变换，才能准确实现准确的融合。

计算机体层摄影（CT）和磁共振（MR）脑灌注成像（Perfusion Imaging）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（TDC），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（CBF）、脑血流容积（CBV）、对比剂平均通过时间（MTT）和峰值时间（TTP）等一系列灌注参数。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参数的定量分析和各脑区在各种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。

发明内容

针对上述问题，本发明提出一种基于神经网络模型的CT灌注医疗图像智能融合方法。

本发明的技术方案为一种基于神经网络模型的CT灌注医疗图像智能融合方法，包括以下步骤：

步骤1，采用多种头颅灌注参数的测试图像和对应的头颅血液分布情况训练神经网络；

步骤2，输入多种头颅灌注参数的待融合图像到训练好的神经网络，得到头颅灌注多参数图像；

步骤3，按以下基于代数加权的乘积变换融合模型，将头颅灌注多参数图像与原始灰阶图像融合，得到需要的融合图像，

F(i,j)=I2ijmax(I2ij)]]>