核磁共振多谱图像分割方法技术

一种用于图像处理领域的核磁共振多谱图像分割方法。具体如下：对于核磁共振图像的多个加权谱建立三维矢量灰度空间，运用矢量梯度算子求得图像中任意一点的矢量梯度值；运用灰度矢量和矢量梯度值生成训练用的特征向量并输入神经网络，运用动态步幅函数的方法动态调节神经网络的学习率；采用层次规约方法对神经网络的神经元节点进行规约；以矢量梯度大小作为筛选标准进一步进行部分有监督的神经网络训练；对训练完成的神经网络用于图像的分割和分类，输出分割完成的图像结果。本发明专利技术充分利用核磁共振影像序列中的多维梯度信息进行神经网络训练，同时加入有监督神经网络训练方式，从而实现对多谱核磁共振影像准确分割的目的。

【技术实现步骤摘要】

本专利技术涉及一种用于图像处理
的方法，特别是一种。
技术介绍
核磁共振是一种探测组织氢原子核磁化性能的非电离损害技术，核磁共振图像(MRI)在诊断各种病变及准确定位方面远优于包括CT在内的各种检查技术。MRI成像具有多谱特性，其灰度值主要取决于身体内部固有的组织参数组织内可以移动的质子密度PD、纵向驰豫时间T1、横向驰豫时间T2。通过改变输入脉冲的时间间隔和组成方式，可获得这三种固有参数的加权图像序列。多谱MRI图像联合分析能充分利用MR各序列的数据，达到提高分割效果的目的。另一方面神经网络技术具有高速并行处理能力、通过实例学习能力和最优搜索能力，并对随机噪声有很强的鲁棒性，将其运用在磁共振图像中可以达到图像定量分析和图像可视化技术前期处理的目的。经文献检索发现，Suchendra M.Bhandarka等人在IEEE Computer-BasedMedical Systems(《计算机医疗系统》)2001294-299上发表的“Segmentationof Multispectral MR Images Using a Hierarchical Self-Organizing Map”(《利用多层自组织神经网络的多谱核磁共振图像分割》)，该文中提出利用多层自组织神经网络进行分割的方法，即对原有自组织神经网络的特征向量运用了多谱化的方法，使磁共振多谱图像的信息得到充分的利用。但是该项技术有以下三个缺点(1)该技术在特征向量中融入了图像的空间位置信息，而对应于实际的图像，有各种可能的成像形式，一概将空间位置信息加入会扰乱图像的正常分割和识别。(2)该技术未能有效利用图像的边界信息，图像边界一般都有较高的梯度值，同时也是图像信息熵较低的部分，如充分发掘这一特性可以加快自组织神经网络的训练过程。(3)该技术为纯粹的无监督分割方法，无法控制神经网络最后训练的精度，无法进行人工交互并融入专家的经验信息，造成训练成功率的下降。
技术实现思路
本专利技术针对
技术介绍
的上述不足之处，提出一种。使其利用多谱图像中提取出的矢量梯度信息，动态调整自组织神经网络的步幅函数，达到高效无监督训练的目的，而为了进一步提高神经网络的分割能力，还可对已经训练完成的自组织神经网络再进行部分有监督的分割训练。本专利技术是通过以下技术方案实现的，方法步骤如下步骤一对于核磁共振图像的多个加权谱建立三维矢量灰度空间；步骤二在该三维矢量灰度空间中，运用矢量梯度算子求得图像中任意一点在三维空间中的矢量梯度值；步骤三由步骤一和步骤二所生成的灰度矢量和矢量梯度值生成自组织神经网络输入训练用的特征向量；步骤四将特征向量输入神经网络，运用动态步幅函数的方法动态调节神经网络的学习率，以提高神经网络的学习效果；步骤五由于图像分割得到的实际区域数目远大于目标数目，需要进行合并，采用层次规约的方法对神经网络的神经元节点进行规约。步骤六在已形成的神经网络基础上需进一步进行部分有监督的神经元训练，以矢量梯度大小作为筛选标准将训练的像素点集中于图像的边界区，减少有监督训练的训练量，步骤七将训练完成的神经网络用于图像的分割和分类，输出分割完成的图像结果。以下对本专利技术作进一步的说明，具体内容如下所述的步骤二，具体实现如下在三维灰度空间中，运用下列矢量梯度算子求得图像任意点的矢量梯度值ΔH=H-0H+,ΔV=V-0V+]]>其中矢量元素H+(x0，y0)、H-(x0，y0)、V+(x0，y0)、V-(x0，y0)代表像素点(x0，y0)在(2ω+1)×(2ω+1)滑窗内的平均灰度三维矢量值，可由下式计算；参数ω为正整数，代表了滑窗的大小。H+(x0,y0)=1ω(2ω+1)Σy=y0-ωy=y0+ωΣx=x0+1x=x0+ωM(x,y)]]>H-(x0,y0)=1ω(2ω+1)Σy=y0-ωy=y0+ωΣx=x0-1x=x0-ωM(x,y)]]>V+(x0,y0)=1ω(2ω+1)Σy=y0+1y=y0+ωΣx=x0-ωx=x0+ωM(x,y)]]>V-(x0,y0)=1ω(2ω+1)Σy=y0-1y=y0-ωΣx=x0-ωx=x0+ωM(x,y)]]>定义(x0，y0)点的三维空间梯度值为G(x0,y0)=||ΔH(x0,y0)||2+||ΔV(x0,y0)||2]]>ΔH(x0，y0)＝H+(x0，y0)-H_(x0，y0)其中 。ΔV(x0，y0)＝V+(x0，y0)-V-(x0，y0)所述的步骤四，具体实现如下将特征向量输入自组织神经网络进行训练，其中算法采用改进的步幅函数，形式如下α(k,G(x,y))=α(0)k21+exp(G(x,y)-λη)]]>其中λ为梯度阈值，η为倾斜坡度参数，用于调整步幅函数在阈值点附近变化的快慢。所述的步骤六，具体实现如下(1)算法按迭代节拍k＝1，2，…进行，对于每个节拍k，依次或随机地从训练集样本中取出一个训练样本并标明所属的理想类别；(2)训练样本送入神经元阵列训练，得到一个获胜端和一个次胜端；(3)对获胜端和次胜端所连神经元权向量进行调整，调整的具体形式如下，其中Copt(k)是该点所属的理想类别，各神经元权为Wj(k)，获胜端为j*(k)，次胜端为i*(k)。①若Cf(k)＝Copt(k)，则 其中θ是一个小正常数。②若Cf(k)≠Copt(k)且Cs(k)＝Copt(k)， ③若Cf(k)≠Copt(k)且Cs(k)≠Copt(k)，则 其中l(k)是与类别Copt(k)相应的神经元编号。本专利技术方法主要具有以下特点和作用(1)采用神经网络分割方式，具有高速并行处理能力、通过实例学习能力和最优搜索能力，并对随机噪声有很强的鲁棒性。(2)充分利用了多谱图像中提取出的矢量梯度信息，动态调整自组织神经网络的步幅函数，达到高效无监督训练的目的。(3)可对已经训练完成的自组织神经网络再进行部分有监督的分割训练，进一步提高了神经网络的分割能力。具体实施例方式结合本专利技术方法的具体内容提供以下实施例核磁共振设备采集的多谱加权影像序列是医学影像序列的一种。人体不同器官的正常和病理组织的脉冲纵向驰豫时间(T1)和横向驰豫时间(T2)相对恒定，互有差别。组织间弛豫时间和自旋质子密度的差别是核磁共振的成像基础。通过施加不同的脉冲激发序列(如长TR、短TE)，可得到不同加权组合的核磁共振本文档来自技高网...

【技术保护点】
一种核磁共振多谱图像分割方法，其特征在于，方法步骤如下：步骤一：对于核磁共振图像的多个加权谱建立三维矢量灰度空间；步骤二：在该三维矢量灰度空间中，运用矢量梯度算子求得图像中任意一点在三维空间中的矢量梯度值；步骤三：由步骤一和步骤二所生成的灰度矢量和矢量梯度值生成自组织神经网络输入训练用的特征向量；步骤四：将特征向量输入神经网络，运用动态步幅函数的方法动态调节神经网络的学习率，以提高神经网络的学习效果；步骤五：由于图像分割得到的实际区域数目远大于目标数目，需要进行合并，采用层次规约的方法对神经网络的神经元节点进行规约。步骤六：在已形成的神经网络基础上需进一步进行部分有监督的神经元训练，以矢量梯度大小作为筛选标准将训练的像素点集中于图像的边界区，减少有监督训练的训练量，步骤七：将训练完成的神经网络用于图像的分割和分类，输出分割完成的图像结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：李明禄，赵永强，钱天白，孙皓，顾力栩，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：31[中国|上海]