[发明专利]基于自适应模糊神经网络模型CT灌注图像智能融合方法

权利要求书

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。