CN103310227A - 基于神经网络的自动窗宽窗位提取方法 - Google Patents

Abstract

本发明公开了一种基于神经网络的自动窗宽窗位的提取方法，使用自适应K聚类方法对MR图像进行分类，包括如下在线训练步骤：e）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；使在线训练能够自动实现。

Description

基于神经网络的自动窗宽窗位提取方法

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 neuralnetwork，Proceeding of SPIE，vol.1444，Image Capture，Formatting andDisplay，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 networkalgorithm for robust and automatic windowing of MR images.Artif Intell Med2000；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/centeradjustment system with online training capabilities for MR images.Artif IntellMed 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。

上述的基于神经网络的自动窗宽窗位提取方法，其中，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；3)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。

上述的基于神经网络的自动窗宽窗位提取方法，其中，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。

上述的基于神经网络的自动窗宽窗位提取方法，其中，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。

上述的基于神经网络的自动窗宽窗位提取方法，其中，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。

上述的基于神经网络的自动窗宽窗位提取方法，其中，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。

上述的基于神经网络的自动窗宽窗位提取方法，其中，当每类图像的所述欧氏距离大于0.5时，判断为不相似。

上述的基于神经网络的自动窗宽窗位提取方法，其中，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。

本发明对比现有技术有如下的有益效果：本发明提供的基于神经网络的自动窗宽窗位提取方法，使用自适应K聚类方法对MR图像进行分类，并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，当出现新的MR图像序列或某一种类的窗宽窗位改变时，自适应K聚类方法可在不改变原有聚类中心的情况下添加新的聚类中心，从而可只训练新增加类型图像(新增聚类中心)对应的神经网络，其他神经网络保持不变，从而使在线训练能够自动实现，使用在线学习可以在无需提供原始训练样本的情况下，只用新的(贴近用户使用习惯的)数据来改善现有的模型。通过不断的增加新的数据，从而使自动计算的窗宽窗位更加符合用户的要求。

附图说明

图1为现有技术中基于神经网络的自动窗宽窗位提取方法中训练阶段的流程图；

图2为本发明基于神经网络的自动窗宽窗位提取方法中训练阶段的流程图；

图3为本发明基于神经网络的自动窗宽窗位提取方法中在线训练阶段的流程图；

图4为本发明基于神经网络的自动窗宽窗位提取方法中使用阶段的流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步的描述。

图2为本发明的基于神经网络的自动窗宽窗位提取方法中训练阶段的流程图。

请参见图2，本发明提供的基于神经网络的自动窗宽窗位提取方法，对于原始样本进行训练时，包括如下步骤：

步骤S201，加载MR图像。

步骤S202，提取MR图像的直方图特征和空间信息特征；所述直方图特征包括MR图像中灰度值的分布，提取前利用小波变换降维，直方图特征提取方法如下：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；3)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。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；计算方法如下：1)将图像均匀划分为16(4*4)个区域，在每个所述区域内分别计算该区域内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。

步骤S203，根据MR图像的直方图特征和空间信息特征，即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，利用自适应K聚类(Adaptive K-Means)方法对所有MR图像进行分类。

步骤S204，对步骤S203中分类后的每类图像，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(RBF)进行训练。

图3为本发明实施例的基于神经网络的自动窗宽窗位提取方法中在线训练的流程图。

请参见图3，本发明提供的基于神经网络的自动窗宽窗位提取方法，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，包括如下在线训练步骤：

步骤S301，加载新的MR图像；

步骤S302，提取新的MR图像的直方图特征和空间信息特征；所述直方图特征包括MR图像中灰度值的分布，提取前利用小波变换降维，直方图特征提取方法如下：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；3)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。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；计算方法如下：1)将图像均匀划分为16(4*4)个区域，在每个所述区域内分别计算该区域内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。

步骤S303，根据新的MR图像的直方图特征和空间信息特征，即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，利用自适应K聚类方法对新的MR图像进行分类。

步骤S304，对步骤S303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。

上述步骤S304中，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。当每类图像与现有已训练的每类图像对应聚类中心的特征之间的欧氏距离大于0.5时，判断为不相似，增加新类。若图像相似，当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％时，判断为不相似，增加新类。

图4为本发明实施例的基于神经网络的自动窗宽窗位提取方法中使用阶段的流程图。

请参见图4，本发明提供的基于神经网络的自动窗宽窗位提取方法，当加载测试MR图像时，包括如下计算步骤：

步骤S401，加载测试MR图像；

步骤S402，提取测试MR图像的直方图特征和空间信息特征；

步骤S403，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；聚类中心的个数优选范围为2-8个，最佳为5个。

步骤S404，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。

步骤S405，融合所述的多个窗宽窗位，输出最终的窗宽和窗位。

综上所述的窗宽窗位的提取方法，当出现新的MR图像序列或某一种类的窗宽窗位改变时，自适应K聚类方法可在不改变原有聚类中心的情况下添加新的聚类中心，从而可只训练新增加类型图像(新增聚类中心)对应的神经网络，其他神经网络保持不变，从而使在线训练能够自动实现，使用在线学习可以在无需提供原始训练样本的情况下，只用新的(贴近用户使用习惯的)数据来改善现有的模型。

除此之外，本发明实现了相比于现有技术的窗宽窗位提取方法更小的平均误差(Mean_WW、Mean_WL)，平均误差定义如下：

${\mathrm{Mean}}_{\mathrm{WW}}=\frac{1}{N}\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{Per}}_{\mathrm{WW}}---\left(1\right),$ ${\mathrm{Mean}}_{\mathrm{WL}}=\frac{1}{N}\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{Per}}_{\mathrm{WL}}---\left(1\right)$

其中：

${\mathrm{Per}}_{\mathrm{WW}}\left(i\right)=\frac{{\mathrm{Error}}_{\mathrm{WW}}\left(i\right)}{{\mathrm{WW}}_{\mathrm{gt}}\left(i\right)},$ ${\mathrm{Per}}_{\mathrm{WL}}\left(i\right)=\frac{{\mathrm{Error}}_{\mathrm{WL}}\left(i\right)}{{\mathrm{WL}}_{\mathrm{gt}}\left(i\right)},i\∈\{\mathrm{1,2},...,N\}$

Error_WW(i)＝|WW(i)-WW_gt(i)|，i∈{1，2，...，N}

Error_WL(i)＝|WL(i)-WL_gt(i)|，i∈{1，2，...，N}

N为大于1的正整数。

以背景技术中论文2公开的方法作为比较对象，对5863幅训练图像的测试结果见表1，200幅新加图像测试结果见表2。

表15863幅训练图像的测试结果

	MeanWL(％)	MeanWW(％)
			现有方法	14.33	14.92
本发明方法	14.21	14.01

表2200幅新加图像测试结果

	MeanWL(％)	MeanWW(％)
			现有方法	18.09	17.86
本发明方法	14.57	13.88

从上表可以看出，不管是对训练图像还是新加图像，使用本发明方法的比较平均误差(Mean_WW、Mean_WL)都要低于现有方法。

虽然本发明已以较佳实施例揭示如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改和完善，因此本发明的保护范围当以权利要求书所界定的为准。

Claims (9)

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。

Images