基于图像子块支持向量机的脑血流信号计算方法技术

本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】

本专利技术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

技术介绍
基于动脉自旋标记(ASL)的灌注磁共振成像(ASLperfusionMRI,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(cerebralbloodflow,简称CBF)的技术。ASLMRI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，ASLMRI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(supportvectormachine,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(normvector)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.,Supportvectormachinelearning‐basedcerebralbloodflowquantificationforarterialspinlabelingMRI.Humanbrainmapping,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，本专利技术人对此进行研究，专门开发出一种基于图像子块支持向量机的ASLCBF计算方法。
技术实现思路
本专利技术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，本专利技术的解决方案是：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{Ci,Li本文档来自技高网...

【技术保护点】
基于图像子块支持向量机的脑血流信号计算方法，其特征在于包括如下步骤：步骤1、首先采集得到n个控制图像和标记图像对，记为{Ci,Li},i＝1,2,....,n，其中Ci表示第i个控制图像，Li表示与Ci相对应的标记图像；步骤2、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，具体包括如下子步骤：步骤1)、对于待计算的目标体素，分别在每个控制图像和标记图像中取出以该目标体素位置为中心的一个图像子块，从控制图像中取出的图像子块的类别标记为+1，从标记图像中取出的图像子块的类别标记为‑1，接着将取出的图像子块拉成一个列向量pk作为特征向量，对应的类别记为lk(lk∈{‑1,+1})，得到一个训练数据集{pk,lk},k＝1,2,...,2n，利用该训练数据集计算对应的脑血流；步骤2)、对每个特征向量pk进行标准化得到xk，使得pk均值为0，标准差为1：xk=pk-mean(pk)std(pk);]]>步骤3)、利用非线性支持向量机对数据集{xk,lk}进行分类：minw,b,ξ12||w||2+CΣi=1Nξk---(1)]]>s.t.lk(w·φ(xk)+b)≥1‑ξk,k＝1,2,...,2n   (2)ξk≥0,k＝1,2,...,2n   (3)其中，C是一个平衡参数，φ(·)是一个非线性变换，w,b分别是超平面的法向量和截距，ξk是一个松弛变量；步骤4)、优化公式(1)—(3)的对偶问题：minα12Σi=12nΣj=12nαiαjliljK(xi,xj)-Σi=12nαi---(4)]]>s.t.Σi=12nαiyi=0---(5)]]>0≤αi≤C，i＝1,2,...,2n   (6)其中，αk是拉格朗日乘子，K(xi,xj)是正定核函数，采用二次多项式核，求解(4)‑(6)得到拉格朗日乘子αk，k＝1,2,...,2n的值，于是得到图像子块对应的脑血流信号...

【技术特征摘要】
1.基于图像子块支持向量机的脑血流信号计算方法，其特征在于包括如下步骤...

【专利技术属性】
技术研发人员：祝汉灿，王泽，
申请(专利权)人：绍兴文理学院，
类型：发明
国别省市：浙江;33