多序列核磁共振影像的图像计算机辅助判断方法

摘要

本发明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。本发明具有信息丰富，层次分明，分类正确率高。

主权项

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$F_1=\underset{i}{\Sigma }\underset{j}{\Sigma }{\left\{p(i,j)\right\}}^2---\left(2\right)$其中，p(i,j)为正规化的灰度共生矩阵；2）对比度$F_2=\underset{n=0}{\overset{N_{g-1}}{\Sigma }}{n}^2\left\{\underset{i=1}{\overset{N_g}{\Sigma }}\underset{j=1}{\overset{N_g}{\Sigma }}p(i,j)\right\},|i-j|=n---\left(3\right)$3）相关性$F_3=\frac{\underset{i}{\Sigma }\underset{j}{\Sigma }\left(\mathrm{ij}\right)p(i,j)-{\mu }_x{\mu }_y}{{\sigma }_x{\sigma }_y}---\left(4\right)$其中，μ_x和σ_x是p_x的均值与方差，μ_y和σ_y是p_y的均值与方差；${\mu }_x=\underset{i=1}{\overset{N_g}{\Sigma }}i*\underset{j=1}{\overset{N_g}{\Sigma }}p(i,j),{\sigma }_x^2={(i-{\mu }_x)}^2{\mu }_x$${\mu }_y=\underset{j=1}{\overset{N_g}{\Sigma }}j*\underset{i=1}{\overset{N_g}{\Sigma }}p(i,j),{\sigma }_y^2={(j-{\mu }_y)}^2{\mu }_y$4）方差$F_4=\underset{i}{\Sigma }\underset{j}{\Sigma }{(i-\mu )}^{2}p(i,j)---\left(5\right)$其中，μ为p(i,j)的均值；5）逆差矩$F_5=\underset{i}{\Sigma }\underset{j}{\Sigma }\frac{1}{1+{(i-j)}^2}p(i,j)---\left(6\right)$6）和平均$F_6=\underset{i=2}{\overset{2L}{\Sigma }}i{p}_{x+y}\left(i\right)---\left(7\right)$其中，k＝2,3,...,2L,i+j＝k，L为图像的灰度级数量；7）和方差$F_7=\underset{i=2}{\overset{{2N}_g}{\Sigma }}{(i-f_8)}^2{p}_{x+y}\left(i\right)---\left(8\right)$8）和熵$F_8=-\underset{i=2}{\overset{2L}{\Sigma }}{p}_{x+y}\left(i\right)\log \left\{p_{x+y}\left(i\right)\right\}---\left(9\right)$9）熵$F_9=-\underset{i}{\Sigma }\underset{j}{\Sigma }p(i,j)\log \left(p(i,j)\right)---\left(10\right)$10）差平均F₁₀＝Var(p_x-y)          (11)其中，k＝0,1,...,L-1,|i-j|＝k11）差熵$F_{11}=-\underset{i=0}{\overset{L-1}{\Sigma }}{p}_{x-y}\left(i\right)\log \left\{p_{x-y}\left(i\right)\right\}---\left(12\right)$12）互信息度量$F_{12}=\frac{\mathrm{HXY}-\mathrm{HXY}1}{\max \{\mathrm{HX},\mathrm{HY}\}}---\left(13\right)$其中，HX，HY分别是p_x和p_y的熵；$\mathrm{HXY}=-\underset{i}{\Sigma }\underset{j}{\Sigma }p(i,j)\log \left(p(i,j)\right)$$\mathrm{HXY}=-\underset{i}{\Sigma }\underset{j}{\Sigma }p(i,j)\log \left(p(i,j)\right)$$p_x\left(i\right)=\underset{j=1}{\overset{L}{\Sigma }}p(i,j),p_y\left(i\right)=\underset{i=1}{\overset{L}{\Sigma }}p(i,j)$13）最大相关系数1F₁₃＝(1-exp[-2.0(HXY2-HXY)])          (14)其中，$\mathrm{HXY}2=-\underset{i}{\Sigma }\underset{j}{\Sigma }{p}_x\left(i\right)p_y\left(j\right)\log \left\{p_x\left(i\right)p_y\left(j\right)\right\};$14）最大相关系数2F₁₄＝(矩阵Q的第二大特征值)^1/2            (15)其中，Q矩阵的计算式为：$Q(i,j)=\underset{k}{\Sigma }\frac{p(i,k)p(j,k)}{p_x\left(i\right)p_y\left(k\right)}$步骤四、对步骤三的ROI纹理特征样本分类；采用神经网络的方法分别对T1WI、T2WI、动脉期、门静脉期、平衡期五种序列的ROI样本分类；下面以T1WI序列图像为例说明分类过程；首先，将个体图像数据集分为训练集和测试集；训练集个体的ROI样本纹理特征用于训练神经网络，生成神经网络模型；然后，将测试集个体T1WI序列图像经过步骤一至步骤三后得到的ROI纹理特征作为神经网络模型的输入，得出测试集个体所有的ROI分类结论；最后，将测试集与训练集个体互换，再进行一次神经网络分类，从而得到所有个体T1WI序列的ROI分类结论；对于T2WI、动脉期、门静脉期、平衡期序列，采取相同的操作，从而得到每个个体的T1WI、T2WI、动脉期、门静脉期、平衡期序列的ROI分类结论；步骤五、根据投票机制，统一同一个体同一序列图像的ROI样本分类结论；下面以T1WI序列图像为例说明该过程；由于每个个体都有多个T1WI图像的ROI及其相应的ROI分类结论，所以，根据投票机制，即同一个体中的T1WI序列图像的少数ROI类别服从多数ROI类别，确定测试集中的每个个体T1WI序列的个体分类结论；对于T2WI、动脉期、门静脉期、平衡期序列，采取相同的操作，从而得到每个个体的T1WI、T2WI、动脉期、门静脉期、平衡期序列的个体分类结论，即每个个体的将有五个个体分类结论；步骤六、通过C4.5决策树融合同一个体五种序列图像的样本分类结论，从而得到该个体分类结果，即利用个体训练集中的每个个体的五种序列图像的个体分类结果训练出C4.5决策树；C4.5决策树采用信息增益率算子作为属性选择的度量；设样本集X由c类样本组成，类别分别为w₁,w₂,...w_c，各类的概率分别为P₁,P₂,...P_c，X的分类信息熵为$H\left(X\right)=-\underset{i=1}{\overset{c}{\Sigma }}{P}_i{\log }_2{P}_i---\left(16\right)$设属性A有m个不同取值，根据属性的m个不同取值将样本X分划成m个集合X₁,X₂,...X_m，令,i＝1,2,...m；,j＝1,2,...c；|Z|表示样本集Z中样个数，用属性A将样本集X划分之后，样本集X的信息熵为$H(X,A)=-\underset{i=1}{\overset{m}{\Sigma }}{p}_i\underset{j=1}{\overset{c}{\Sigma }}{p}_{\mathrm{ij}}{\log }_2{p}_{\mathrm{ij}}\widehat{=}\underset{i=1}{\overset{m}{\Sigma }}{p}_{i}H\left(X_i\right)---\left(17\right)$样本集X的分类信息熵的减小量（熵差）为gain(X,A)gian(X,A)＝H(X)-H(X,A)          (18)决策树T的信息熵H(T)为各叶节点处信息熵的加权和$H\left(T\right)=\underset{i=1}{\overset{m^{\prime }}{\Sigma }}\frac{\left|X_i\right|}{\left|X\right|}H\left(X_i\right)---\left(19\right)$原决策树T生长成新的决策树T'，考察决策树T'的信息熵H(T')$\begin{array}{c}H\left(T^{\prime }\right)=\underset{i=1}{\overset{m^{\prime }+m-1}{\Sigma }}\frac{\left|{X^{\prime }}_i\right|}{\left|X\right|}H\left({X^{\prime }}_i\right)\\ =\underset{i=1}{\overset{m^{\prime }}{\Sigma }}\frac{\left|X_i\right|}{\left|X\right|}H\left(X_i\right)-\frac{\left|X_j\right|}{\left|X\right|}H\left(X_j\right)+\underset{i=1}{\overset{m}{\Sigma }}\frac{\left|{X^{\prime }}_i\right|}{\left|X\right|}H\left({X^{\prime }}_i\right)\\ =H\left(T\right)-\frac{\left|X_j\right|}{\left|X\right|}[H\left(X_j\right)-H(X_j,A)]\\ =H\left(T\right)-\frac{\left|X_j\right|}{\left|X\right|}\mathrm{gain}(X_j,A)\end{array}---\left(20\right)$在节点(X_j,Q_j)处分裂生长时，选择具有最小信息熵增益算子GainRatio(X,A)作为属性选择准则；$\mathrm{GainRatio}(X,A)=\frac{\mathrm{gain}(X,A)}{\mathrm{SplitInfo}(X,A)}---\left(21\right)$其中，分裂信息SplitInfo(X,A)为$\mathrm{SplitInfo}(X,A)=-\underset{i=1}{\overset{m}{\Sigma }}\frac{\left|X_i\right|}{\left|X\right|}{\log }_2\frac{\left|X_i\right|}{\left|X\right|}---\left(22\right)$其中，T1WI、T2WI、动脉期、门静脉期、平衡期这五种序列将作为决策树的分类属性，将测试集中每个个体的五种分类结果作为决策树的输入，从而测试集中的每个个体得到最终的一个分类结果，交换测试集个体与训练集个体，再进行一次决策树融合，从而得到所有个体的最终分类结果。