[发明专利]基于神经网络的自动窗宽窗位提取方法

说明书

技术领域

本发明涉及一种医学图像处理技术，尤其涉及一种基于神经网络的自动窗宽窗位提取方法。

背景技术

目前，在自动窗宽窗位提取方法上神经网络用的还比较少。论文1(Ohliashi A，Yamada S，Haruki K，Hatano H，Fujii Y，Yamaguchi K，Ogata H.Automatic adjustment of display window for MR images using a neural network，Proceeding of SPIE，vol.1444，Image Capture，Formatting and Display，1991.p.63-74)只用了一种神经网络，它不能很好的覆盖所有种类的MR图像。论文2(Lai SH，Fang M.A hierarchical neural network algorithm for robust and automatic windowing of MR images.Artif Intell Med 2000；19(2)：97-119)用了两层神经网络，如图1所示，包括如下步骤：步骤S101，加载MR图像；步骤S102，提取所有图像的直方图特征和空间信息；步骤S103，用自组织映射神经网络(SOM)对待不同类型的训练图像进行粗分类，这步可降低输入数据的复杂性；步骤S104，用每一类图像对应的金标准窗宽窗位训练对应的径向基函数神经网络(RBF)和双模线性神经网络(BLE)。虽然它很好的解决了论文1的问题，但当出现一种新的MR序列图像，或者对同一种类MR图像，医生喜好的窗宽窗位改变时，得到的结果不太理想。由于SOM聚类方法得到的聚类中心是全体样本的最优映射，所以只有在提供原始训练样本的前提下，和新的训练样本一起才能训练得到新的聚类中心，如需改善，对于新得到的所有聚类中心相对应的神经网络都需要重新训练，因而无法实现在线的自动训练，需对整个神经网络进行重新训练。论文3(Lai SH，Fang M.An adaptive window width/center adjustment system with online training capabilities for MR images.Artif Intell Med 2005；33(2)：89-101)是在线训练，它在训练前把所有的窗宽窗位向医生喜好的方向改变，然后重新训练整个神经网络。在线训练的过程中需要人为的干预，它与论文2存在同样的需要重新训练的问题。

由此可见，现有的基于神经网络的窗宽窗位自动提取技术，在遇到新的MR图像序列，或某部分图像序列的窗宽窗位改变时，需重新训练整个神经网络，使用不便且影响效率。

发明内容

本发明所要解决的技术问题是提供一种基于神经网络的自动窗宽窗位提取方法，当出现新的MR图像序列或某一种类的窗宽窗位改变时，可只训练新增加类型图像的神经网络，其他神经网络保持不变，从而使在线训练能够自动实现。

本发明为解决上述技术问题而采用的技术方案是提供一种基于神经网络的自动窗宽窗位提取方法，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图象进行测试；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。

上述的基于神经网络的自动窗宽窗位提取方法，其中，所述的直方图特征利用小波变化降维后提取。