[发明专利]基于图像子块支持向量机的脑血流信号计算方法

说明书

本发明公开一种基于图像子块支持向量机的脑血流信号计算方法，包括采集控制图像和标记图像对步骤；根据上一步得到的n个控制图像和标记图像对，对图像中的每一个体素逐一计算脑血流值，从而得到最终的脑血流图像步骤。本发明所述的基于图像子块支持向量机的脑血流信号计算方法，基于图像子块，可以使数据特征维数自然降低；此外，图像子块的引入使得脑血流计算过程可以考虑局部图像信息，得到对于局部也能优化的结果。

技术领域

本发明涉及一种基于图像子块支持向量机的脑血流信号计算方法，属于图像处理技术领域。

背景技术

基于动脉自旋标记(ASL)的灌注磁共振成像(ASL perfusion MRI,以下简称ASLMRI)是一种无创无放射性的测量全脑和局部脑血流(cerebral blood flow,简称CBF)的技术。ASL MRI利用射频无线电波去调制动脉血的磁信号，从而将动脉血变成可以用来测量脑血流的内源性示踪剂。当标记(label)好的动脉血流入成像区域以后通过毛细血管壁与脑组织进行自由交换，交换以后脑组织中的水的信号就会受到影响。信号改变的量直接与交换的量成正比，因而采集到的大脑磁共振图像就含有与局部灌注血流成正比的信号，该信号可以经过一定的换算模型转换成有物理单位的绝对血流值。在实际应用中，为了压制背景信号的干扰，ASL MRI成像还会采集不标记动脉血的背景信号图像，通过标记(标记图像)和不标记(控制图像)信号的两两相减就可以得出更为干净和信噪比更强的灌注信号。同时为了继续提高信噪比，实际采样过程中会重复采集一系列的标记、非标记图像对。

目前计算标记和不标记信号差的技术主要有两种，一种是直接两两相减，即控制图像减去标记图像，然后求平均；另一种是利用支持向量机(support vector machine,简称SVM)对标记和非标记信号进行自动归类，找到两种图像之间的最佳分类面，以分类面的范矢量(norm vector)作为灌注信号图像。上述2种方法主要存在以下缺陷：

第一种方法没有考虑到各时间点血流标记的差异性和图像本身的差异性，两两相减再求平均相当于对每个时间点赋予了相同的权值。但是，实际上不同时间点动脉血标记的程度会有不同，血流和图像信号本身的变化也是比较大的，对它们赋予相同的权重不能得到最优化的结果；

第二种支持向量机的方法实际上是选取了控制图像和标记图像中的一部分作为支持向量，然后对支持向量加权(权值不一样)求和得到最终的灌注信号图像。实验结果显示基于支持向量机的方法得到的灌注信号图像比配对相减、求和得到的图像质量好。但是，现有的基于支持向量机的方法有两个方面的不足之处：一是以整个图像作为特征来分类，特征维数太大，文献“Wang,Z.,Support vector machine learning‐based cerebralblood flow quantification for arterial spin labeling MRI.Human brain mapping,2014.35(7):p.2869-2875”中虽然采用了主成分分析方法进行降维，但仍会导致信息的丢失；另一方面，对于一副图像，可能某些局部位置图像质量好，某些位置图像质量差，因此将整个图像统一进行分类取得的结果对于某些局部脑区而言并不优化。

针对上述问题，本发明人对此进行研究，专门开发出一种基于图像子块支持向量机的ASL CBF计算方法。

发明内容

本发明的目的是提供一种基于图像子块支持向量机的脑血流信号计算方法，具有数据特征维数低，局部图像信息优化效果好等特点。

为了实现上述目的，本发明的解决方案是：

基于图像子块支持向量机的脑血流信号计算方法，包括如下步骤：

步骤1、首先采集得到n个控制图像和标记图像对，记为{C_i,L_i},i＝1,2,....,n，其中C_i表示第i个控制图像，L_i表示与C_i相对应的标记图像；