[发明专利]应用于医疗的基于自组织映射网络脑部MRI图像分割方法及MRI设备

权利要求书

1.一种基于自组织映射网络的图像分割方法，用于对脑部图像的分析，包含以下步骤：

步骤(1)，对输入的经过融合后的脑部MRI图像进行特征提取，对多个不同尺度参数的输入图像进行Savitzky-Golay滤波从而得到多个滤波之后的图像，通过Savitzky-Golay滤波对输入图像分析，得到细节和一般特征，滤波后图像和原始图像的像素强度形成了本方法中网络模型的输入特征空间，其中，用于融合的源图像来自于多个射频接收线圈针对同一检测部位得到的脑部MRI图像；

步骤(2)，根据脑部肿瘤图像的特点设计多层神经网络，第一层的神经元数量根据专家库经验数据设定，选择一个N×N网络，网络中所包含的神经元的数量为K，选用在先经过标定的脑部MRI图像对神经网络进行训练；

步骤(3)，图像分割，为了把输入脑部MRI图像分割成不同的对象，通过每个像素将整个图像送入训练好的网络，对于每个像素的特征向量，根据最小距离标准，第一层会产生一个胜出神经元，从而用像素指定相应的对象；

步骤(4)，合并过程，为了抑制错误分类，在分割之后需要一个合并聚类过程来连结属于正常分类的神经元，进而有效分割肿瘤区域，进而得到目标图像。

2.根据权利要求1所述的MRI图像分割方法，其特征在于，步骤(1)中输入的MRI图像采用基于图像多尺度分解的MRI图像融合方法进行融合。

3.根据权利要求1所述的MRI图像分割方法，其特征在于，所述步骤(2)中包括，每个神经元相关的遍历向量的数量与分割性能相关，在一定范围内增加遍历向量的数量将提高分割性能，超出该范围，性能不能提高而运算量显著提高；本方法中选择遍历向量数量等于4，分割方法能够获得正常的性能并且运算量低。

4.根据权利要求3所述的MRI图像分割方法，其特征在于，步骤(3)包括：

为识别网络结构中现有的聚类，定义阈值向量T

T＝(t_i)_1×z，t_i＝T₀+iΔt，i＝1，…，Z (1)

式中：T₀是初始阈值；Z是表示阈值范围的正整数；Δt是表示阈值精度的步长，每个t_i，组成一个跟第一层神经元结构同样大小的近邻矩阵B

B＝[b_f，g]_F×G (2)

式中：每个b_f，g都有一个二进制值，表示神经元f和g之间的相似度；然后计算神经元f和g的权向量之间的距离，若这个距离大于t_i，则b_f，g的值为1，否则，为0；

式中：d(f，g)是神经元f和g的权向量之间的欧氏距离，邻近矩阵形成之后，使用式(4)确定具有最多邻居的神经元

这个神经元和它的邻居形成聚类(c)，定义量值(S_c)为

S_c＝(Z(m_c)X(d(v，l)))^N (5)

式中：m_c是聚类中神经元的数量；N是特征空间的维数；1是属于这个聚类的一个神经元，

然后，从网络中移除这个聚类及其神经元，对于相同的t_i，利用式对剩余的神经元再进行合并，重复上述过程，直到网络中所有的聚类均被识别。

5.根据权利要求4所述的MRI图像分割方法，其特征在于，步骤(3)进一步包括：在聚类识别之后，计算最佳阈值为

在式(6)中，T_best是最佳阈值

式中：η和λ是两个参数分别用于控制聚类的量值和神经元数量；C是对应于t_i的神经元结构中聚类的数量；Dt_i是对应于t_i的神经元结构中聚类的密度；在确定最合适的阈值之后，它所对应的聚类可以通过式(3)式(6)找到，然后，对于每个聚类，将分割后的图像中属于这个聚类的神经元的对象连接起来。