专利名称：：一种婴幼儿脑医学计算机扫描图像的分析方法及实现系统的制作方法
技术领域：
：本发明涉及医学计算机扫描图像处理及应用技米领域，特别涉及一种基于混沌分形理论的婴幼儿脑医学计算机扫描图像分析方法及实现系统。
背景技术：
：对于婴幼儿(新生至三周岁)脑发育异常及损伤，尤其是儿童智力残疾的预测，临床宜早期预报及干预以改善预后。目前对儿童智力残疾的评估，可采用手工量表法，根据评分标准来判定；或者根据婴幼儿脑医学计算机扫描图像(包括CT、磁共振MR图像)直接反映的脑实质形态来判断一、量表法目前临床中常用的量表及评分方法有1、采用丹佛发育筛选测验(Denverdevelopmentalscreeningtest，简称DDST)量表简式法进行筛查，如简式筛查显示迟缓，则用繁式测查，如果繁式结果为异常、可疑者则由两名儿科主治医师转测盖塞尔发展量表(GesellDevelopmentSchedules,GDS)进行正式小儿精神行为发育评定。2、用中国精神疾病分类方案与诊断标准第二版(CCMD-2-R)精神发育迟滞诊断标准进行诊断。采用粗大运动功能测试量表(GrossMotorFunctionMeasure，简称GMFM)与Peabody粗大运动发育量表(PeabodyDevelopmentalMeasurecale-GrossMotor,简称PDMS-GM)对患儿粗大运动发育变化进行评估。在调查中不能替换抽中的地区与对象，随机抽取5%的筛查阴性户进行复查。GMFM量表评估分5个能区，包括88项分为卧位与翻身、坐位、爬与跪、站立位、行走与跑跳5个能区，评分结果包括以下四项1)原始分5个能区的原始分；2)总百分比5个能区原始分占各自总分百分比之和再除以5;3)月百分比(本次总百分比-前次总百分比)/间隔月数；4)月相对百分比:本次月百分比/前次总百分比x100。/。。每项采用4级评分法，对12个月以后的患儿PDMS-GM评估分3个能区进行，包括固定、移动、操作能区，固定能区总分为60分，移动能区总分为178分，操作能区总分为48分。PDMS-GM评分结果包括原始分、总百分比、月百分比和月相对百分比，计算方法与GMFM相同。3、盖泽尔发育诊断量表(GDS)是在国际上应用最普遍和常用的婴幼儿发展量表，包括适应行为能区、大运动行为能区、精细动作行为能区、语言行为能区及个人社会行为能区5大方面，适用于16天至6岁儿童。盖泽尔发育诊断量表中适应行为能区DQS75分，应怀疑有智力低下。根据适应行为能区DQ结果，可将智力低下分为4级1)轻度智力低下55分^DQS75分；2)中度智力低下40分SDQS54分；3)重度智力低下25分SDQ^39分；4)极重度智力低下DCK25分。二、根据婴幼儿脑医学计算机扫描图像(即CT和磁共振MR图像)，由诊断医师根据成像的脑实质形态，依据现有经验进行分析及做出判断。以上两种方式中，第一种量表法虽然有具体的评分标准，但是繁琐复杂，需要受过专业培训的临床康复评估师来进行，而许多基层卫生单位往往不具备专业的评估平台。同时对婴幼儿相关行为动作的判断还是依靠人工逐项打分来进行，因此就不可避免地存在主观因素，客观重复性不强，容易造成评分失误；第二种根据脑医学扫描计算机图像进行分析判断，成像后实施诊断行为的还是影像诊断医师的视觉，传统读片方式能进行人体放射影像中的规则形态的大部分定性分析，但医学扫描图像中却充斥着类似于脑电图、心电图的不规则图形，这些形状是传统读片方式所不能定性和定量判断的，比如具体描述分析脑回的多少、白质纤维束的形状、支气管树及胆管树的数目等，这些具有局部相似性的图像事实上如此不规则，以致传统的欧式几何和三维概念已不能描述这样复杂的形态，这使得传统影像学对于儿童精神运动发育异常的早期预报监测十分困难。从本质上看，现有的预报监测技术都缺乏一种科学客观的量化标准。为适应未来医学诊断的发展，神经影像学研究的趋势必然是要从传统的定性走5向定量，而混沌分形学为这一趋势提供了新的理论支持。混沌分形理论蕴涵的"局部所含的信息与整体相似"这一重要思想，为依据定量影像分析判断宏观病理过程提供了有力的理论武器，并与"从整体出发认识局部"的系统论思想相辅相成，构成了完整的定量与定性相互统一的辨证思想，国内外已将混沌理论方法作为极具发展前途的前沿技术来深入研究，但目前将这种方法应用于研究儿童脑医学计算机扫描图像的单一和多重分形分析处理模式和量化标准尚属空白。
发明内容本发明的目的在于将一种混沌神经网络及分形分析方法应用于医学计算机扫描图像的读片分析，提供一种基于混沌神经网络理论，对婴幼儿脑医学计算机扫描图像进行分形分析以得到量化数值的方法及实现系统，由于CT和MR图像的通用性，利用该方法和系统，可以实现对不具备典型神经影像表现特征的智力残疾和脑瘫等患儿进行临床病变提示，最终有利于临床提早采取智残期前干预，减少智残发生率。为达上述目的，本发明采用如下的技术方案一种婴幼儿脑医学计算机扫描图像的分析方法，其特点是，包括如下步骤'第一步，将婴幼儿脑医学计算机扫描图像处理成为突出分形特征的图像；第二步，对前述图像采用混沌分形分析方法进行数学量化分析。所述第一步中将婴幼儿脑医学计算机扫描图像处理成为突出分形特征的图像，包括如下步骤a)步，对婴幼儿脑医学计算机扫描图像进行感兴趣区的识别；b)步，对经过识别的图像进行分割，将感兴趣区与背景分离；C)步，对所述感兴趣区进行边缘检测及骨架提取，得到突出分形特征的图像。上述将婴幼儿脑医学计算机扫描图像处理成为突出分形特征的图像，所述a)步中的识别是指应用数学形态学的方法进行识别。上述将婴幼儿脑医学计算机扫描图像处理成为突出分形特征的图像，所述b)步中的分割是指采用遗传神经网络算法进行分割。上述将婴幼儿脑医学计算机扫描图像处理成为突出分形特征的图像，所述第C)步中的边缘检测及骨架提取是指采用基于二值数学形态学的厚化(thicken)算法和消除算法(remove法)，以及基于灰度图像的形态学方法(canny算子和LOG算子)来进行边缘检测及骨架提取。上述婴幼儿脑医学计算机扫描图像的分析方法，所述第二步中的数学量化分析是指采用盒维数法进行分形谱分析和计算；所述分形谱分析和计算包括进行分形维数计算或者进行分形维数计算和多重分形谱宽的计算；所述多重分形谱宽的计算包括下述步骤G)对所述图像进行多重分形分析；(2)用盒计数法计算出物理量在相应的分形结构上的概率测度分布；(3)求出多重分形谱；(4)计算出多重分形谱宽。上述婴幼儿脑医学计算机扫描图像的分析方法，在进行上述步骤之后还包括将所述数学量化分析的结果采用单因素方差分析法进行统计分析，得出不同年龄段正常的婴幼儿脑医学计算机扫描图像分形维数参考值和多重分形谱宽参考值，并以此为比较标准，早期预测发现脑发育形态学异常。一种实现上述婴幼儿脑医学计算机扫描图像的分析方法的系统，其特点是，包括用于将婴幼儿脑医学计算机扫描图像进行感兴趣区识别、图像分割和边缘检测及骨架提取以得到突出分形特征的图像的图像处理模块；用于将图像处理模块处理好的婴幼儿脑医学计算机扫描图像进行数学量化分析的图像分析及处理模块；所述图像分析及处理模块包括用于将读入的图像进行分形处理的图像分形处理模块；用于计算经过分形处理的图像的分形维数和多重分形谱的分形计算模块。所述系统还包括用于将图像分析及处理模块得到的数学量化分析结果进行存储、更新、统计和方差分析，以得到不同年龄段的正常婴幼儿脑医学计算机扫描图像的分形维数参考值和多重分形谱宽参考值的统计分析模块；用于存储统计分析模块统计分析得到的不同年龄段正常的婴幼儿脑医学计算机扫描图像的分形维数参考值和多重分形谱宽参考值并将其作为比较标准来早期预测发现脑发育形态学异常的比较模块。所述系统还可以包括用于显示图像处理模块、图像分析及处理模块、统计分析模块和比较模块的处理结果的显示模块。上述系统均在MatlabR2007下通过编程实现。本发明的系统工作过程如下第一、将原始的婴幼儿脑医学计算机扫描图像转化成Windows格式的BMP图像，输入本系统；第二、利用图像处理模块将得到的BMP图像进行感兴趣区识别、图像分割和边缘检测及骨架提取，将脑医学计算机扫描图像处理成为突出分形特征的图像，图像处理模块的工作过程是对输入的图像在matlabR2007b平台上通过编制基于聚类和门限法的程序来完成感兴趣区识别；对经过识别后的图像在matlabR2007b平台上通过调用基于遗传算法的神经网络工具箱gatbx和BpNet来完成分割；对分割得到的感兴趣区通过调用matlabR2007b图像处理函数包括厚化算法(thicken算法)及消除算法(remove算法)，校正后的canny算子和拉普拉斯算子LOG(LaplaceofGauss)综合应用来实现边缘检测及骨架提取。'第三、图像分析及处理模块对突出分形特征的图像，先后利用其中的图像分形处理模块和分形计算模块进行分形处理和计算分形维数和多重分形谱宽。分形维数的计算是使用盒维数法测量公式求得，多重分形谱宽的计算是通过使用多项式测量方法以及广义概率测度，通过分形计算模块的合成法计算多重分形谱和谱宽，设计原理如下1、图像分形处理模块将突出了分形特征的BMP文件格式图像输入图像分形处理模块，图像定义宽为W，高为H，均以像素为计量单位。盒子的边长L定义为min(W,H)的Tn等分对min(W，H)的值，即L=1/Tn，因为图像分辨率问题，Tn的取值为不超过min(W，H)的整数，设F代表整个图像组成的集合，按选定盒子边长L=1/Tn分割F为I列J行紧密相邻的二维子图像阵列，每个子图像是边长为int(min(W，H)/Tn)个像素的正方形区域，Nn(A)为含有图像的所有盒子数，经过这样的分形处理后，就可以通过以下公式计算分形维数D:<formula>formulaseeoriginaldocumentpage8</formula>2、分形计算模块将灰度图像看作离散分形布朗随机场模型，图像中某一点像素的灰度值用G(x，y)表示，根据离散分形布朗随机场模型的定义以及性质，其变差函数v与((x2-x1)2+(y2-y1)2)H之间成正比关系。其中，(KH〈1，称H为Hurst系数，有如下关系v=c*((x2-x1)2+(y2-y1)2)H(2)其中c为常数。将这个分形布朗运动模型的表面可以看作是以x轴、y轴描述像素点的位置，以z轴描述该位置的图像灰度值的三维空间体。在这个三维空间体中，测量这个三维空间体所包含的边长为e的小立方体的数目来确定其分形维数。假设将一幅图像的边长归一化为1(Ax=1，Ay=1)，z轴的图像灰度变化也归一化为1，这样xy平面就可以分成N1-(1/e)2个小方块。在这些小方块所对应的图像区域内，沿x轴和y轴方向的变化为AxH、AyH，其中Ax-e,Ay-e。又因为每一个小图像区域可以被N2(AxH/Ax-eH-1)个边长为e的小立方体覆盖，设N为可以覆盖整个分形体的边长为e的小立方体数目，则N=N1*N2=(1/e)3-H(3)与(2)式比较，可得到一幅灰度图像的分形维数与Hurst系数的关系为D=3-H(4)令a:6誦2Dd=((x2-x1)2+(y2-y1)2)1/2，(5)结合(4)式和(5)式，则有v(d)=c*da(6)对式6两端取对数，则有lnv(d)=lnc+a*lnd(7)用最小二乘线性回归法求出a，再用区域内的灰度方差代替最大值与最小值的差进行计算，以便拟合直线精确性的要求，图像大小为32x32，取3到15共七个点，计算出斜率、相关系数和剩余标准差。其中斜率即为分形维数D。进行多重分形谱的计算时，要进行多重分形分析，然后用盒计数法计算出物理量在相应的分形结构上的概率测度分布，求多重分形谱(Multifractal9Spectra),进行多分形结构的计算。所述多重分形是指分形结构上的有无穷多个标度指数所组成的一个集合，是通过一个谱函数来描述分形结构上不同的局域条件、或分形结构在演化过程中不同层次所导致的特殊的结构行为与特征，是由一系列的奇异性标度指数为ai的集合相互交织组合而成的，其中每一个子集具有一个确定的分维f(ai)，不同的ai对应的f(ai)便构成了一个刻划多重分形性质的维数谱，简称多重分形谱。多重分形以全面描述奇异几率分布的形式、或者说用多重分形谱f(a,)来描述分形体不同层次的生长特征，以便从系统的局部出发来研究其最终的整体特征，并借助统计物理学的方法来讨论特征参量的概率测度的分布规律。若把分形图像上具有相同奇异指数的""标识的盒子数记为^"(。，则在无标度的自相似区域内也存在着如下的标度关系此处/()为用奇异性标度指数标识的分形子集的维数。由于""可取中的无穷多个值，故^"》通常为一光滑的单峰函数。其中[",，"隨]的差值即=被称为多重分形谱的谱宽。多重分形正是由一系列的奇异性标度指数为的集合相互交织组合而成的，其中每一个子集具有一个确定的分维/()，不同的对应的/()便构成了一个刻划多重分形性质的维数谱，简称多重分形谱。多重分形谱/()可以反映被考察的物理量在分形结构上不均匀分布的性质，从而给出比简单分维更丰富的结构信息。例如大的反映的是小概率测度区域的性质；小的、则反映的是大概率测度区域的性质；多重分形谱的宽度Ao^"max-皿的大小反映了整个分形结构上概率测度分布的不均匀性的程度，从而全面地描述了分形结构上不同区域、不同层次、不同局域条件的特性。因此/()的物理意义是对分形结构上的复杂程度、不规则程度以及不均匀程度的一种度量。第四、利用统计分析模块统计上述计算结果，得出不同年龄段婴幼儿正常的脑医学计算机扫描图像的分形维数分布范围和多重分形谱宽，建立正常婴幼儿脑医学计算机扫描图像分形模式的计算机模式识别标准。统计分析的设计原理及过程是将图像分析及处理模块计算得到的结果和临床专业精神发育评分一起输入数据库，再将此分形维数范围与年龄分组及性别因素一起纳入SPSS15.0FORWINDOWS软件统计包进行分析，应用SPSSFORWINDOWS15.0软件包对数据进行统计学处理和特异度、敏感度分析，计量资料用〗±^表示;独立样本均数比较用^检验，不同年龄组间的样本均数比较用方差分析。对单因素分析有显著性差异(尸<0.05)和尸值接近于0.05的因素，统计分形维数指标的正常值。性别两组分形维数做独立样本f检验,以为差异有统计学意义。统计分析的结果即可作为提示临床病变的参考值。第五、将统计分析的结果存入比较模块，作为提示临床病变的参考值，并据此来进行临床预测，分形计算的结果和预测的信息通过显示模块显示在计算机上，使异常病变的预测结果可视化。本发明相对于现有技术具有如下的优点及效果1、本发明公开的方法利用混沌分形分析理论，对婴幼儿脑医学计算机扫描图像进行处理分析，得出不同年龄段正常婴幼儿脑医学计算机扫描图像的分形维数量化参考值和多重分形谱宽的量化参考值，并以此为比较标准，实现了对不具备典型神经影像表现特征的智力残疾和脑瘫等患儿进行临床预测，彻底改变了对婴幼儿脑医学计算机扫描图像的传统处理方式；2、本发明公开的方法，对不具备典型神经影像表现特征的智力残疾和脑瘫等患儿进行临床预测，把混沌理论物理指标和计算方法与医学影像分析结合起来，准确率高，用专业的儿科临床精神运动发育评分来检验本方法及系统临床预测的可靠性，其预测的准确率经统计分析可达到90%以上，敏感度达96%，且与临床广泛使用的婴幼儿盖泽尔量表评分之间有正相关，二者呈直线相关；3、实现本发明方法的系统在MatlabR2007下编程实现，操作系统平台为WINGDOWSXPHomeEdition,在主频PIV为1.6GHz，内存1.0GB的个人计算机(PC)下运行通过，平均每例图像进行分形处理耗时15秒左右，使用方便，效率高。图1是实施例一的2岁男童的原始计算机扫描医学图像；图2是对图1进行感兴趣区识别后得到的图像；图3是对图2迸行分割后得到的图像；图4是对图3的图像进行边缘检测及骨架提取后得到的图像；图5(a)是对图4进行分形分析后得到的分形曲线图；图5(b)是对图5(a)中曲线进行最小二乘线性回归法的拟合直线，其斜率即等于分形维数D;图5(c)是对图4进行多分形分析后得到的多重分形谱图6是实施例三中分形维数指标与临床盖泽尔量表评分指标的标准残差正态概率(P-P)图，二者的散点图呈直线关系；图7(a)是对实施例四中正常2岁男童的脑医学计算机扫描图像进行分形分析后得到的分形曲线图；图7(b)是对图7(a)中曲线进行最小二乘线性回归法的拟合直线，其斜率即等于分形维数D;图8为实施例四中正常2岁男童的多重分形谱图9(a)是对实施例四中精神运动发育障碍的2岁男童的脑医学计算机扫描图像进行分形分析后得到的分形曲线图；图9(b)是对图9(a)中曲线进行最小二乘线性回归法的拟合直线，其斜率即等于分形维数D;图10为实施例四中精神运动发育障碍异常的2岁男童的多重分形谱；图11是本发明的系统的结构方框图12是实施例一和实施例二系统的工作流程图13是实施例三和实施例四系统的工作流程图。具体实施例方式下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。以下实施例均采用如图11所示的系统来实现实施例一本例以2岁男童的脑医学计算机扫描图像说明本发明公开的方法利用其实现系统进行处理的过程，系统的工作流程图如图12所示第一步将2岁男童的脑医学计算机扫描原始图像(如图1所示)，转换为Windows格式的BMP图像，输入本系统；第二步利用图像处理模块对第一步输入的图像进行感兴趣区的识别，得到如图2所示图像；第三步利用图像处理模块，对图2的图像在matlabR2007b平台上通过调用基于遗传算法的神经网络工具箱gatbx和BpNet来完成分割，得到感兴趣区的图像如图3所示；第四步利用图像处理模块，对图3的图像通过调用matlabR2007b图像处理函数包括thicken厚化算法及remove算法，校正后的canny算子，拉普拉斯算子LOG(LaplaceofGauss)多算子的综合应用来实现边缘检测及骨架提取，得到突出了分形特征的图像如图4所^;第五步先利用图像分析及处理模块中的图像分形处理模块，对图4所示图像进行分形分析，然后利用分形计算模块通过matlabR2007b分形计算工具箱fraclabV2.04进行迭代运算，通过fraclabV2.04工具箱盒维数法程序计算，使用signalorgrayscaleimage或Binarydata二进制格式，得到如图5(a)所示的分形曲线图；分形计算模块通过调用matlabR2007b下fraclabV2.04工具箱合成法计算，使用多项式测量方法以及广义概率测度，计算多重分形谱和谱宽，得到如图5(c)所示的多重分形谱图。图5(b)是对图5(a)中曲线进行最小二乘线性回归法的拟合直线，其斜率即等于分形维数D，D=1.89，由下列公式计算可得该男童多重分形谱的谱宽值为△a=amax-amin=1.9360-0.4742=1.4618。第六步由第五步得到的该男童的脑医学计算机扫描图像的分形维数图和多重分形谱图及谱宽，通过显示模块在计算机上显示出来。按照如图12所示的工作流程，对广州市儿童医院99例正常婴幼儿标准体位扫描获得的脑CT图像进行分析，该99例婴幼儿年龄从新生儿期至36个月(独立样本均数比较用纟检验，不同年龄组间的样本均数比较用方差分析，对单因素分析有显著性差异(/M).05)和尸值接近于0.05的因素，统计分形维数指标的正常值)。将该99例婴幼儿分成四组，其中1组为新生儿组；2组为12月组；3组为24月组；4组为36月组，所得到的分形分析结果如表1所示，可见分形维数随着年龄组不同有所差别，其中，新生儿期正常脑分形维数范围分布在1.88至1.90之间，平均1.8913土0.0064;12月组婴儿稳定在1.89至1.90之间，均值为1.8927±0.0045;24月组幼儿分形维数稳定在1.86至1.90，均值为1.8863土0.0085;36月组幼儿分形维数稳定在1.88至1.91之间，均值为1.8958±0.0083，总体上保持了非常稳定的状态。单因素方差检验显示的结果也表明不同年龄组间具备统计学显著性差异(F=8.947，P<0.001，如表2所示)。而在所有的年龄组中，多重分形谱的谱宽Aa=amax-amin=1.9360-0.4742=1.4618，谱宽均恒定在上述值上。表1分形维均数95%置信区间分形分形多重组别数标准差标准误低咼维数最小值维数最大值分形谱宽181.891300641.002271.8859l駕61.901.881.46182161.892700458細181.89011.89521.901.891.46183511.8863.00848.001191.88391.88871.901.861.46184241.8958細30細691.89231.89931.911.881.4618合计991.8900.00873細881.88821.89181.911.861.4618表2项目离均差平方和自由度均方F值/M直组间.0023細8.947細组内.00694細合计.0079714对表1所示的结果分性别进行统计，其中男孩为1组，共62例；女孩为2组，共37例，分组统计的结果如表3所示，性别组间的单因素方差分析的结果证明，性别因素在婴幼儿脑发育的分形模式中不具备统计学意义，即男女性别之间脑发育不存在分形模式上的差异。(如表4所示)。表3<table>tableseeoriginaldocumentpage15</column></row><table>实施例三以广州市儿童医院的30例病例为例，先利用临床康复科专业的精神运动发育评估量表对该30例病例进行评估，评估由2名具备评估师专业资格的康复医师各自进行，并且在评估前不了解另一项的评估结果。每项采用4级评分法。环境设定为安静、独立、采光较好的房间，室温控制在2(TC3(rC，患儿衣服为12层，在不违反各自评估要求的情况下，前后评估都尽量安排相同家属在场，鼓励患儿发挥出最佳水平，得到的评估结果如表5所示(其中，GMFM为粗大运动功能测试量表(GrossMotorFunctionMeasure)评分，PDMS系列评分为Peabody粗大运动发育量表(PeabodyDevelopmentalMeasurecale-GrossMotor)各项指丰示评分)表5<table>tableseeoriginaldocumentpage16</column></row><table>根据盖泽尔发育诊断量表的评估标准盖泽尔发育诊断量表中适应行为能区DQS75分,应怀疑有智力低下。根据适应行为能区DQ结果，可将智力低下分为4级1)轻度智力低下55分^DQS75分；，2)中度智力低下40分^DC^54分；3)重度智力低下25分SDC^39分；4)极重度智力低下DCX25分表5中盖泽尔DQS75的病例，评估为智力低下。将实施例二统计分析得到的正常婴幼儿脑医学计算机扫描图像的分形维数参考值作为比较标准新生儿期正常脑分形维数范围分布在1.88至1.90之间；12月龄组婴儿分布在1.89至1.90之间；24月组幼儿分形维数分布在1.86至1.90;36月组幼儿分形维数分布在1.88至1.91之间，用来早期预测上述30例病例的脑发育形态学异常情况，具体步骤如下第一步.*将病例的脑医学计算机扫描原始图像，转换为Windows格式的BMP图像，并输入本系统；第二步利用图像处理模块，对输入的图像进行感兴趣区的识别；第三步利用图像处理模块，对经过识别的图像在matlabR2007b平台上通过调用基于遗传算法的神经网络工具箱gatbx和BpNet来完成分割，得到感兴趣区的图像；第四步利用图像处理模块，对感兴趣区的图像通过调用matlabR2007b图像处理函数包括thicken厚化算法及remove算法，校正后的canny算子，拉普拉斯算子LOG(LaplaceofGauss)多算子的综合应用来实现边缘检测及骨架提取，得到突出了分形特征的图像；第五步先利用图像分析及处理模块中的图像分形处理模块，对突出分形特征的图像进行分形分析，然后利用分形计算模块通过matlabR2007b分形计算工具箱fraclabV2.04进行迭代运算，使用fraclabV2.04工具箱Boxdimension中Boxmethod法，使用signalorgrayscaleimage或Binarydata二进制格式，计算得到分形维数图，经最小二乘线性回归法拟合可得分形维数值D。第六步利用比较模块将第五步得到的分形维数与存储在比较模块中的正常婴幼儿脑医学计算机扫描图像的分形维数迸行对比，预测发现脑发育形态学异常。第七步、将第五步得到的病例的脑医学计算机扫描图像的分形维数图和病变提示信息，通过显示模块在计算机上显示出来。用本发明的实现系统按上述步骤进行(工作流程如图13所示)，对该30例病例作分析，对应的分析结果和盖泽尔发育诊断量表的比较如表6所示。对照本发明公开的比较标准新生儿期正常脑分形维数范围分布在1.88至1.90之间；12月龄组婴儿分布在1.89至1.90之间；24月组幼儿分形维数分布在1.86至1.90;36月组幼儿分形维数分布在1.88至1.91之间；可知，本发明的实现系统得出的预测结果与盖泽尔发育诊断量表的评估结果相比，准确率在90%以上，敏感性为96%。与临床盖泽尔量表评分标准之间呈正相关，相关系数f0.946，二者最终的直线相关方程为D=1.213+0.008DQ。表6<table>tableseeoriginaldocumentpage18</column></row><table>盖泽尔DQ大运动精细运动认知能力语曰社交行为分形维数(D)6422.5331.768766677.51.97122222.51.845321111.51.657511.51.51.521.858055.5577.51.86卵32.53.52.531.76应用SPSSFORWINDOWS15.0软件包进行D评估指标的ROC曲线分析，计算其诊断特异度、敏感度、以及假阳性率和假阴性率。以此评价此数学形态学量化指标的评估准确度。采用非参数法计算出其曲线下面积(Az)是0.884，Az的95。/。可信区间为(0.745,0.996)，与0.5相比均有统计意义，表明该指标具备很好的评估价值。采用非参数法计算出盖泽尔DQ指标曲线下面积(Az)是0.810，对此二者曲线下面积作Z检验，Z=0.7015，相对应的P值为0.25，P〉0.05，说明在检验水准为0.05时，'2个相应指标ROC曲线下面积的差异无统计学意义，两评估方法无统计学差异，等效性检验表示二者诊断准确度符合度好，均具有较好的评估性能。对D与盖泽尔量表评分DQ进行线性回归分析D和DQ二者之间ROC曲线下面积差异性比较，Z统计量计算公式如下IA-1驢I/SE〗+SE|-2rSE!SE2其中z是正态离差值，Az1和Az2是两诊断试验(D与盖泽尔量表评分DQ)的曲线下面积，SE1和SE2是其对应的标准误，r是两个ROC曲线下面积间的相关系数。经表7的正态分布检验，DQ值和D值的偏度系数值均非常接近于0，故认为全部数据的分布均接近于正态分布，可以进行线性回归分析。表8中本发明的实现系统模型的回归均方=0.228，F=245.65，P值<0.001，D与DQ差异的ANOVA方差分析认为分形维与盖泽尔量表评分DQ之间有直线相关。分维值和盖泽尔量表评分的线性回归分析(表9)显示分形维数指标D(X)显示对盖泽尔量表评分DQ(X)评分之间存在正相关(r=0.946)，在P-P19图(如图6所示)上显示二者呈直线趋势，通过一元线性回归模型分析显示.-回归系数为1.213，t值为15.679，P值0.001，与方差分析一致，可认为分形维D(Y)对盖泽尔量表评分DQ(X)评分之间存在线性回归关系，其最终线性回归方程为Y-1.213+0.008X。表7<table>tableseeoriginaldocumentpage20</column></row><table>表8<table>tableseeoriginaldocumentpage20</column></row><table>表9线性回归模型回归系数标准回归系数t尸值总体回归系数95%置信区间回归系数标准误Beta低高常数1.212.03634.002.0001.1391.285盖泽尔DQ.008.OOi.94615.504.000.007.009实施例四按照图13所示的系统工作流程，对正常2岁男童和患精神运动发育障碍异常2岁男童的脑医学计算机扫描图像进行分析，得到的正常2岁男童的脑医学计算机扫描图像的分形曲线图如图7(a)所示、图7(b)是对图7(a)中曲线进行最小二乘线性回归法的拟合直线(其斜率即等于分形维数D)，'多重分形谱图如图8所示；对精神运动发育障碍异常的2岁男童的脑医学计算机扫描图像进行分形分析后得到的分形曲线图如图9(a)所示，图9(b)是对图9(a)中曲线进行最小二乘线性回归法的拟合直线(其斜率即等于分形维数D)，多重分形谱图如图10所示；从图7(b)和图9(b)可以看出，前者的正常分形维D-1.90;后者的分形维D-1.71。正常2岁男童的多重分形谱的谱宽经以下式计算得△a=amax-amin=1.9360-0.4742=1.4618精神运动发育障碍异常的2岁男童的多重分形谱的谱宽经下式计算得△a=amax-c(min=2.0560-0.65222=1.4038对分形维数D-1.71、多重分形谱的谱宽为1.4038的男童，本发明公开的方法及实现系统得出的预测结果为为智力发育异常(其量化指标数值明显低于本发明公开的方法中正常的多重分形谱的谱宽为1.4618;24月组幼儿分形维数分布在1.86至1.90)。同时，精神运动发育障碍异常的男童的盖泽尔量表评分显示大运动15月；精细运动13月；认知能力11月；语言能力18月；社交行为-2117月，盖泽尔00=56.31，属于轻度智力低下，与本发明公开的方法得出的评估结论一致。上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。权利要求1、一种婴幼儿脑医学计算机扫描图像的分析方法，其特征是，包括如下步骤第一步，将婴幼儿脑医学计算机扫描图像处理成为突出分形特征的图像；第二步，对所述图像采用混沌分形分析方法进行数学量化分析。2、根据权利要求1所述婴幼儿脑医学计算机扫描图像的分析方法，其特征是，所述第一步中将婴幼儿脑医学计算机扫描图像处理成为突出分形特征的图像包括如下步骤3)步，对婴幼儿脑医学计算机扫描图像进行感兴趣区的识别；b)步，对经过识别的图像进行分割，将感兴趣区与背景分离；C)步，对所述感兴趣区进行边缘检测及骨架提取，得到突出分形特征的图像。3、根据权利要求2所述婴幼儿脑医学计算机扫描图像的分析方法，其特征是，所述a)步中的识别是指应用数学形态学的方法进行识别。4、根据权利要求2所述婴幼儿脑医学计算机扫描图像的分析方法，其特征是，所述b)步中的分割是指采用遗传神经网络算法进行分割。5、根据权利要求2所述婴幼儿脑医学计算机扫描图像的分析方法，其特征是，所述第c)步中的边缘检测及骨架提取是指采用基于二值数学形态学的厚化算法和消除算法，以及基于灰度图像的形态学方法来进行边缘检测及骨架提取。6、根据权利要求1所述婴幼儿脑医学计算机扫描图像的分析方法，其特征是，所述第二步中的数学量化分析是指采用盒维数法进行分形谱分析和计算；所述分形谱分析和计算包括进行分形维数计算或者进行分形维数计算和多重分形谱宽的计算；所述多重分形谱宽的计算包括下述步骤(l)对所述图像进行多重分形分析；(2)用盒计数法计算出物理量在相应的分形结构上的概率测度分布；(3)求出多重分形谱；(4)计算出多重分形谱宽。7、根据权利要求1所述婴幼儿脑医学计算机扫描图像的分析方法，其特征是，所述分析方法在进行上述步骤之后还包括将所述数学量化分析的结果采用单因素方差分析法进行统计分析，得出不同年龄段正常的婴幼儿脑医学计算机扫描图像分形维数参考值和多重分形谱宽参考值，并以此为比较标准，早期预测发现脑发育形态学异常。8、一种实现权利要求1至7中任一项所述婴幼儿脑医学计算机扫描图像的分析方法的系统，其特征是，包括用于将婴幼儿脑医学计算机扫描图像进行感兴趣区识别、图像分割和边缘检测及骨架提取以得到突出分形特征的图像的图像处理模块；用于将图像处理模块处理好的婴幼儿脑医学计算机扫描图像进行数学量化分析的图像分析及处理模块；所述图像分析及处理模块包括用于将读入的图像进行分形处理的图像分形处理模块；用于计算经过分形处理的图像的分形维数和多重分形谱的分形计算模块。9、根据权利要求8所述实现婴幼儿脑医学计算机扫描图像的分析方法的系统，其特征是，所述系统还包括用于将图像分析及处理模块得到的数学量化分析结果进行存储、更新、统计和方差分析，以得到不同年龄段的正常婴幼儿脑医学计算机扫描图像的分形维数参考值和多重分形谱宽参考值的统计分析模块；用于存储统计分析模块统计分析得到的不同年龄段正常的婴幼儿脑医学计算机扫描图像的分形维数参考值和多重分形谱宽参考值并将其作为比较标准来早期预测发现脑发育形态学异常的比较模块。-10、根据权利要求8所述实现婴幼儿脑医学计算机扫描图像的分析方法的系统，其特征是，所述系统还可以包括用于显示图像处理模块、图像分析及处理模块、统计分析模块和比较模块的处理结果的显示模块。全文摘要本发明为一种婴幼儿脑医学计算机扫描图像的分析方法及实现系统，其将脑计算机扫描医学图像处理成突出分形特征的图像，然后对其采用混沌分形分析方法进行数学量化分析。该方法在MatlabR2007下通过编程实现，利用混沌神经网络及分形理论，对婴幼儿脑医学计算机扫描图像进行序列化分割、识别及分形模式分析，得出不同年龄段正常婴幼儿脑医学计算机扫描图像的分形维数量化参考值和多重分形谱宽的量化参考值，并以此为比较标准，实现了对不具备典型神经影像表现特征的智力残疾和脑瘫等患儿进行临床预测，彻底改变了婴幼儿脑医学计算机扫描图像的传统分析方式，与临床广泛使用的婴幼儿盖泽尔量表评分结果比较，准确率高，重复性更强。文档编号G06T7/00GK101520893SQ20091003732公开日2009年9月2日申请日期2009年2月23日优先权日2009年2月23日发明者李鹤虹,罗良平申请人:暨南大学