[发明专利]基于神经网络的自动窗宽窗位提取方法

权利要求书

1.一种基于神经网络的自动窗宽窗位提取方法，其特征在于，包括如下步骤：

a）加载MR图像； 

b）提取MR图像的直方图特征和空间信息特征；

c）根据MR图像的直方图特征和空间信息特征，利用自适应K聚类方法对所有MR图像进行分类；

d）分别用该类图像特征信息及图像的窗宽窗位信息对该类径向基函数神经网络进行训练；

e）当加载新的MR图像或某类图像的窗宽窗位发生改变产生新的MR图像时,提取新的MR图像的直方图特征和空间信息特征;

f）根据新的MR图像的直方图特征和空间信息特征，利用所述的自适应K聚类方法对新的MR图像进行分类；

g）对分类后的每类新的MR图像与现有已训练的每类图像进行比较，先计算每类图像与现有已训练的每类图像相似度，假如不相似，则在原分类基础上增加一个新类，若相似，再判断该类图像的窗宽窗位与现有已训练图像的窗宽窗位金标准是否一样，若一样，不增加新类，若不一样，则在原分类基础上增加一个新类；

h) 加载MR图像进行测试；

i）提取测试MR图像的直方图特征和空间信息特征；

j）根据测试MR图像的直方图特征和空间信息特征，计算与各聚类中心的直方图特征和空间信息特征的相似度，得到与其最相似的多个聚类中心；

k）利用所述多个聚类中心对应的径向基神经网络分别计算多个窗宽窗位；

l) 融合所述的多个窗宽窗位，输出最终的窗宽和窗位。

2.如权利要求1所述的基于神经网络的自动窗宽窗位提取方法，其特征在于，所述的直方图特征利用小波变化降维后提取。

3.如权利要求2所述的基于神经网络的自动窗宽窗位提取方法，其特征在于，所述直方图特征的提取方法如下：1）根据MR图像计算其直方图；2）对直方图做下降取样处理得到一个大小为64的矢量；2）对所述矢量做两次小波变换得到一个大小为16的直方图特征矢量。

4.如权利要求1所述的基于神经网络的自动窗宽窗位提取方法，其特征在于，所述空间信息特征包括MR图像中不同空间位置的灰度值的均值和方差。

5.如权利要求4所述的基于神经网络的自动窗宽窗位提取方法，其特征在于，所述空间信息特征的提取方法如下：1）将图像均匀划分为4*4区域，在每个所述区域内分别计算所有像素值的均值和方差；2）根据所述均值和方差计算得到一个大小为16的空间特征矢量。

6.如权利要求1所述的基于神经网络的自动窗宽窗位提取方法，其特征在于，所述自适应K聚类方法根据合并直方图特征和空间信息特征并归一化成大小为32的一个矢量后对MR图像进行分类。

7. 如权利要求1所述的基于神经网络的自动窗宽窗位提取方法，其特征在于所述相似度通过计算两类图像中心对应的32位特征之间的欧氏距离来判断每类图像与现有已训练的每类图像的相似度。

8. 如权利要求7所述的基于神经网络的自动窗宽窗位提取方法，其特征在于，当每类图像的所述欧氏距离大于0.5时，判断为不相似。

9. 如权利要求1所述的基于神经网络的自动窗宽窗位提取方法，其特征在于，所述新类图像的窗宽窗位与现有已训练图像的窗宽窗位相比较，窗宽或窗位变化超过15%，判断为不相似。