[发明专利]基于多尺度多特征的影像科用脑部图像融合识别方法

说明书

本发明公开了一种基于多尺度多特征的影像科用脑部图像融合识别方法，其包括以下步骤：采集原始脑部医学图像作为样本，使用加权灰度化算法对原始脑部医学图像进行灰度化处理，得到灰度图像；使用直方图均衡化对灰度图像进行处理，得到均衡后灰度图，采使用改进的Isotropic Sobel边缘检测算子对均衡后灰度图进行边缘检测，得到边缘脑部图像，并得到灰度解剖医学图像MRI和伪彩色功能医学图像，初始化卷积神经网络，训练数据，提取出特征数据；对于经过医学图像识别训练模型训练后的图像采用多尺度分解得到平滑图像和细节图像，进行重构得到融合图像，将融合图像输入脑部医将卷积神经网络模型训练提取的特征数据传到支持向量机中进行训练，将提取的测试特征数据输入医学图像识别训练模型中进行判断，最终得到准确的脑部医学图像识别结果。

技术领域

本发明涉及医疗影像科用图像处理领域，具体涉及一种基于多尺度多特征的影像科用脑部图像融合识别方法。

背景技术

目前，国内外诸多著名学者都致力于图像分割融合算法的研究，图像分割方法主要有以下四种：基于阈值、基于边缘检测、基于区域、基于能量的分割。

基于阈值的分割方法主要有直方图凹面分析法、最大类间方差法、阈值插值法等，该类方法直观简单高效，但是由于图像的复杂性，阈值的选取成为该类方法的一大挑战；基于边缘检测的分割方法中比较经典的算法有Sobel、Prewitt、Laplace以及Canny算子等，该类方法由于噪声点和周围像素点间的阶跃性非常明显，所以极易被误判为边缘；基于区域的图像分割方法主要有区域生长法以及分裂合并法，区域生长法分割较大图像容易出现不连续的空洞从而引发过分割，分裂合并法在不断分裂的过程中容易对边界区域产生破坏；基于能量的图像分割方法包括基于水平集的方法、基于图论的方法、基于ICM的方法等等。基于水平集的方法自出现以来，便成为图像分割领域的热点，在国际顶级期刊和国际会议上均有大量的水平集图像分割新方法提出。Caselles和Malladi等人在图像分割的主动轮廓模型的上下文中介绍了水平集方法，但分割结果存在误差，而且分割结果不稳定。为了解决这个问题，Osher等人采用重新初始化水平集函数的方法来确保水平集的稳定性。然而，重新初始化的做法不仅会引起严重的问题，而且还会影响数字的准确性。之后，李纯明提出了一种新的变分水平集。在其数值实现中，可以在有限差分方法中使用相对较大的时间步长以减少迭代次数，同时确保足够的数值精度。王晓峰提出了一种高效的、鲁棒的水平集方法，将多尺度分段思想引入局部区域，其具有很好的效率和鲁棒性。

现有医学图像融合技术主要对两种不同模态的医学图像，根据医学图像模态的不同，医学图像融合系统可以分为三种类型：解剖医学图像与解剖医学图像融合、解剖医学图像与功能医学图像融合以及功能医学图像与功能医学图像融合。MRI-PET和MRI-SPECT医学图像融合系统属于解剖医学图像与功能医学图像融合，该系统的输入图像是灰度和伪彩色。飞利浦公司推出的MRI-PET组合一体化套件将商用的MRI成像扫描仪和具有特殊屏蔽的PET结合起来，得到的图像对癌症转移的诊断及术前分期具有重要的临床价值。

但是目前针对于脑部医学图像的处理分割因为其复杂性和变化性，导致识别能力较低，对于医生的检查和治疗没有起到很好的识别性能，有时候往往一些微小的变化未能及时观察出来，导致严重的后果。因此有必要提供一种精确的脑部医学图像识别方法。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种融合度高、识别度大大提高、精确度高的基于多尺度多特征的影像科用脑部图像融合识别方法。

本发明技术方案如下：一种基于多尺度多特征的影像科用脑部图像融合识别方法，包括以下步骤：