[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

摘要

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。

主权项

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四个特征图样本；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四个特征图样本进行训练，神经网络模型采用如下公式：O(k)=ΣjWjo(k)·Xj(k)=f(Sj(k))]]>其中：当对脑血流量进行训练时，为脑血流量特征图的异常值图像面积与CT灌注图像面积的比值；Xj(k)是脑血流量特征图的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为纵坐标的最大值；Ii(k)是脑血流量特征图的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为横坐标的最大值；当对脑血流容积进行训练时，为脑血流容积特征图的异常值图像面积与CT灌注图像面积的比值；Xj(k)是脑血流容积特征图的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为纵坐标的最大值；Ii(k)是脑血流容积特征图的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为横坐标的最大值；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的异常值图像面积与CT灌注图像面积的比值；Xj(k)是对比剂平均通过时间特征图的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；Ii(k)是对比剂平均通过时间特征图的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为横坐标的最大值；当对峰值时间进行训练时，为峰值时间特征图的异常值图像面积与CT灌注图像面积的比值；Xj(k)是峰值时间特征图的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为纵坐标的最大值；Ii(k)是峰值时间特征图的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为横坐标的最大值；采用神经网络模型自带的学习训练方法进行训练，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，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)/max B(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，max B(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特征图的异常值图像；得到CT解剖图的融合图像。