多序列核磁共振影像的图像计算机辅助判断方法技术

本发明专利技术多序列核磁共振影像的图像计算机辅助判断方法属于计算机辅助判断领域，涉及一种基于MRI的T1WI、T2WI、动脉期、门静脉期、平衡期多序列的图像处理、纹理特征提取、分类及决策融合的计算机辅助判断方法。该方法在数字图像处理和模式识别框架下，集成MRI的T1WI、T2WI、动脉期、门静脉期、平衡期五种序列，依照ROI处理、多序列MRI分类和个体分类三个层次，借助神经网络、投票机制和决策树完成图像计算机辅助判断。该方法提供多参数、多序列、多方位的成像，并且组合的分类器能根据异常结构的不同阶段选择五种序列中具有最佳区分性能的序列作为该阶段的分类属性。本发明专利技术具有信息丰富，层次分明，分类正确率高。

【技术实现步骤摘要】
多序列核磁共振影像的图像计算机辅助判断方法
本专利技术属于基于核磁共振影像的计算机辅助判断领域，涉及一种基于MRI的T1WI、T2WI、动脉期、门静脉期、平衡期多序列的图像处理、纹理特征提取、分类及决策融合的计算机辅助判断方法。
技术介绍
目前，基于核磁共振影像（magneticresonanceimaging，MRI）的图像计算机辅助判断方法技术仍处于初步发展阶段，判断的准确性有待提高，且存在诸多不足。（1）大多数方法是针对X线电子计算机断层扫描（computedtomography，CT）影像进行的分类，对MRI的研究处理涉及相对较少。（2）在基于MRI的方法中，多数算法仅用到单一的影像序列，而没有充分利用MRI具有多序列这一优点。例如，Zeng，Y.F.等人在AdvancedMaterialsResearch杂志2013年发表的“基于肝脏纤维纹理特征的MRI的计算机辅助诊断”一文中，仅采用MR动态对比静脉序列分类，没有充分利用MR多序列这一特性。（3）多数方法分类结果仅停留在二分类上，如GobertLee等人在MedicalImaging杂志2007年发表的“基于金轧增强MR影像的肝硬化分类方法”中，仅将影像分为两类。而实际上，对影像的细分能够提供更为细致全面的信息，从而保证方法的实际应用效果。（4）分类器的单一使用。目前，大多数对MRI影像分类所使用的分类器均为单一的分类器，或使用经典分类器，或对其进行改进。YuanCao在BioMedresearchinternational杂志2013年发表的“基于血清缩氨酸的乙型肝炎病毒肝硬化的二分类预测”一文中，也仅使用SVM分类器对其提取的特征进行分类。然而，值得关注的是不同分类器各具特点，针对图像计算机辅助判断融合多种分类器以确保分类性能的可靠性是很有必要的。
技术实现思路
本专利技术的主要目的克服现有技术的缺陷，专利技术一种多序列MRI的图像计算机辅助判断方法。该方法通过三层次分析的结构多角度全方位识别，包括：最底层病灶区域层的感兴趣区域（regionofinterests，ROI）处理层，中级多序列MRI分类层以及最高级的个体分类层三个层次，从而实现全面细致的建模，完成基于MRI影像的图像计算机辅助判断。为避免不同序列图像样本的特异性影响分类效果，本专利技术在ROI处理层和多序列MRI分类层对每种序列图像样本分别进行基于模式识别的分类处理，考虑到异常结构表征的多样性，本专利技术采用神经网络分类器和投票机制结合的方式实现多序列MRI样本的分类。而在个体分类层，本专利技术将同一个体的多序列MRI分类结论借助决策树进行决策融合，从而得出该个体分类结果。因此本专利技术是在数字图像处理和模式识别框架下，集成MRI的T1WI、T2WI、动脉期、门静脉期、平衡期五种序列，依照ROI处理、多序列MRI分类和个体分类三个层次，借助神经网络、投票机制和决策树，提出基于MRI的图像计算机辅助判断方法，弥补了现有技术在MRI图像应用不充分、分类类别粗糙、分类器使用单一和分类准确率低等方面的不足。本专利技术采用的技术方案：一种多序列核磁共振影像的图像计算机辅助判断方法，其特征在于，该判断方法是在数字图像处理和模式识别框架下，集成MRI的T1WI、T2WI、动脉期、门静脉期、平衡期五种序列，依照ROI处理、多序列MRI分类和个体分类三个层次，借助神经网络、投票机制和决策树，提出三类计算机辅助判断方法；具体步骤如下：步骤一、从个体图像数据集MRI的T1WI、T2WI、动脉期、门静脉期、平衡期五种序列中按图像扫描顺序人工筛选出结构清晰的图像；步骤二、利用步骤一筛选出的具体图像，根据异常结构的均匀性与面积，对图像手工提取ROI，同时，需根据图像中异常结构均匀区域的大小调整ROI大小；步骤三、提取步骤二中ROI样本的[0°、45°、90°、135°]共56维灰度共生矩阵的纹理特征，图像中第i行j列元素的灰度共生矩阵计算公式为：P(i,j,λ,θ)＝{[(x,y),(x+dx,y+dy)]|f(x,y)＝i,f(x+dx,y+dy)＝j}(1)其中，(x,y)是图像中每个像素点的坐标，θ为方向，λ为步长，dx和dy分别是步长λ方向θ在x和y方向上的投影；基于灰度共生矩阵的[0°、45°、90°、135°]四个方向的共56维纹理特征在每个方向上分别提取14种纹理特征，包括角二阶矩、对比度、相关性、方差、逆差矩、和平均、和方差、和熵、熵、差平均、差熵、互信息度量和最大相关系数；1）角二阶矩其中，p(i,j)为正规化的灰度共生矩阵；2）对比度3）相关性其中，μx和σx是px的均值与方差，μy和σy是py的均值与方差；4）方差其中，μ为p(i,j)的均值；5）逆差矩6）和平均其中，,k＝2,3,...,2L,i+j＝k，L为图像的灰度级数量；7）和方差8）和熵9）熵10）差平均F10＝Var(px-y)(11)其中，,k＝0,1,...,L-1,|i-j|＝k11）差熵12）互信息度量其中，HX，HY分别是px和py的熵；1本文档来自技高网...

【技术保护点】
一种多序列核磁共振影像的图像计算机辅助判断方法，其特征在于，该判断方法是在数字图像处理和模式识别框架下，集成MRI的T1WI、T2WI、动脉期、门静脉期、平衡期五种序列，依照ROI处理、多序列MRI分类和个体分类三个层次，借助神经网络、投票机制和决策树，提出三类计算机辅助判断方法；具体步骤如下：步骤一、从个体图像数据集MRI的T1WI、T2WI、动脉期、门静脉期、平衡期五种序列中按图像扫描顺序人工筛选出结构清晰的图像；步骤二、利用步骤一筛选出的具体图像，根据异常结构的均匀性与面积，对图像手工提取ROI，同时，需根据图像中异常结构均匀区域的大小调整ROI大小；步骤三、提取步骤二中ROI样本的[0°、45°、90°、135°]共56维灰度共生矩阵的纹理特征，图像中第i行j列元素的灰度共生矩阵计算公式为：P(i,j,λ,θ)＝{[(x,y),(x+dx,y+dy)]|f(x,y)＝i,f(x+dx,y+dy)＝j}   (1)其中，(x,y)是图像中每个像素点的坐标，θ为方向，λ为步长，dx和dy分别是步长λ方向θ在x和y方向上的投影；基于灰度共生矩阵的[0°、45°、90°、135°]四个方向的共56维纹理特征在每个方向上分别提取14种纹理特征，包括角二阶矩、对比度、相关性、方差、逆差矩、和平均、和方差、和熵、熵、差平均、差熵、互信息度量和最大相关系数；1）角二阶矩 F 1 = Σ i Σ j { p ( i , j ) } 2 - - - ( 2 ) 其中，p(i,j)为正规化的灰度共生矩阵；2）对比度 F 2 = Σ n = 0 N g - 1 n 2 { Σ i = 1 N g Σ j = 1 N g p ( i , j ) } , | i - j | = n - - - ( 3 ) 3）相关性 F 3 = Σ i Σ j ( ij ) p ( i , j ) - μ x μ y σ x σ y - - - ( 4 ) 其中，μx和σx是px的均值与方差，μy和σy是py的均值与方差； μ x = Σ i = ...

【技术特征摘要】
1.一种多序列核磁共振影像的图像计算机辅助判断方法，其特征在于，该判断方法是在数字图像处理和模式识别框架下，集成MRI的T1WI、T2WI、动脉期、门静脉期、平衡期五种序列，依照ROI处理、多序列MRI分类和个体分类三个层次，借助神经网络、投票机制和决策树，提出三类计算机辅助判断方法；具体步骤如下：步骤一、从个体图像数据集MRI的T1WI、T2WI、动脉期、门静脉期、平衡期五种序列中按图像扫描顺序人工筛选出结构清晰的图像；步骤二、利用步骤一筛选出的具体图像，根据异常结构的均匀性与面积，对图像手工提取ROI，同时，需根据图像中异常结构均匀区域的大小调整ROI大小；步骤三、提取步骤二中ROI样本的[0°、45°、90°、135°]共56维灰度共生矩阵的纹理特征，图像中第i行j列元素的灰度共生矩阵计算公式为：P(i,j,λ,θ)＝{[(x,y),(x+dx,y+dy)]|f(x,y)＝i,f(x+dx,y+dy)＝j}(1)其中，(x,y)是图像中每个像素点的坐标，θ为方向，λ为步长，dx和dy分别是步长λ方向θ在x和y方向上的投影；基于灰度共生矩阵的[0°、45°、90°、135°]四个方向的共56维纹理特征在每个方向上分别提取14种纹理特征，包括角二阶矩、对比度、相关性、方差、逆差矩、和平均、和方差、和熵、熵、差平均、差熵、互信息度量和最大相关系数；1)角二阶矩其中，p(i,j)为正规化的灰度共生矩阵；2)对比度3)相关性其中，μx和σx是px的均值与方差，μy和σy是py的均值与方差；4)方差其中，μ为p(i,j)的均值；5)逆差矩6)和平均其中，L为图像的灰度级数量；7)和方差8)和熵9)熵10)差平均F10＝Var(px-y)(11)其中，11)差熵12)互信息度量其中，HX，HY分别是px和py的熵；13)最大相关系数1F13＝(1-exp[-2.0(HXY2-HXY)])(14)其中，14)最大相关系数2F14＝(矩阵Q的第...

【专利技术属性】
技术研发人员：刘惠，邵莹，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21