核磁共振图像序列的配准方法及设备技术

本发明专利技术公开了一种核磁共振图像序列配准方法及设备。该方法包括：响应于用户的操作，将患者的核磁共振图像序列作为待配准图像序列；使用卷积神经网络，在所述待配准图像序列与预先生成的参考图像序列之间进行图像配准，其中所述参考图像序列中的多幅图像中的特定区域相互对齐，并且其中所述卷积神经网络包含用于图像配准的判别性特征，以及其中所述判别性特征用于判别将所述待配准图像序列中的图像相对于所述参考图像序列中相应的图像所进行的图像平移、图像缩放、图像旋转和/或图像错切；以及输出经配准的核磁共振图像序列。本发明专利技术通过利用该卷积神经网络中的用于图像配准的判别性特征，可以一次性完成图像配准，从而大幅缩短图像配准时间。

【技术实现步骤摘要】
核磁共振图像序列的配准方法及设备
本专利技术涉及图像处理领域，具体涉及一种核磁共振图像序列的配准方法及设备。
技术介绍
目前，图像处理技术和模式识别蓬勃发展，机器学习理论和方法日新月异。医学是人类生活关系最密切的领域之一，因此医学图像处理越来越受到人们的关注。医学图像处理中的一个重要分支涉及根据核磁共振图像将脑部异常进行分类。如果根据患者的核磁共振图像，将他的脑部异常更准确的分类为各种囊肿或肿瘤，则将更有利于医生制定相应手术计划。脑部异常分类的基础是脑部核磁共振图像序列配准。通常，因为各患者拍摄核磁共振图像时的不同旋转角度、不同深度等级以及不同脑部尺寸，所以任意两幅脑部核磁共振图像中的脑部特定区域是无法严格对齐的。因此，脑部核磁共振图像序列配准是指将不同图像标定到同一坐标系中的过程，从而在不同时间、从不同视角或由不同传感器拍摄的不同图像中实现脑部特定区域在尺寸上相似并且严格对齐。相关技术中，人们已进行了若干医学图像配准研究。通常，这些工具包中实施的配准过程通过迭代更新变换参数来执行，直至用于度量待配准的两幅图像的相似度的预定义指标达到最优化。这些方法虽然已经取得了不错的表现，但是它们的配准速度缓慢，这主要因为迭代更新算法针对每一个新的配准任务都需要从头开始进行优化。
技术实现思路
本专利技术旨在提供一种核磁共振图像序列配准方法及设备，能够解决相关技术中配准速度缓慢的问题。根据本专利技术的一个方面，提供了一种核磁共振图像序列配准方法。该方法包括：响应于用户的操作，将患者的核磁共振图像序列作为待配准图像序列；使用卷积神经网络，在所述待配准图像序列与预先生成的参考图像序列之间进行图像配准，其中所述参考图像序列中的多幅图像中的特定区域相互对齐，并且其中所述卷积神经网络包含用于图像配准的判别性特征，以及其中所述判别性特征用于判别将所述待配准图像序列中的图像相对于所述参考图像序列中相应的图像所进行的图像平移、图像缩放、图像旋转和/或图像错切；以及输出经配准的核磁共振图像序列。优选地，使用所述卷积神经网络，在所述待配准图像序列与预先生成的参考图像序列之间进行图像配准，包括：在所述待配准图像序列中依次选择每张待配准图像；在所述参考图像序列中依次确定与所述待配准图像相应的参考图像；以及使用所述卷积神经网络，在所述待配准图像与其相应的参考图像之间进行图像配准。优选地，使用所述卷积神经网络，在所述待配准图像与其相应的参考图像之间进行图像配准，包括：使用所述卷积神经网络，分别获取所述待配准图像与所述参考图像中的判别性特征；确定所获取的判别性特征之间的非线性关系和相应的图像变换矩阵；以及使用所确定的图像变换矩阵，对所述待配准图像进行仿射变换。优选地，使用所述卷积神经网络，分别获取所述待配准图像与所述参考图像中的判别性特征，包括：使用所述卷积神经网络中的编码器，分别对所述待配准图像与所述参考图像进行以下一项或多项操作：卷积、池化、密集化、扁平化、级联，其中所述一项或多项操作的每项操作参数对于所述待配准图像与所述参考图像均相同。优选地，在使用所述卷积神经网络，在所述待配准图像序列与预先生成的参考图像序列之间进行图像配准之前，还包括：随机生成图像变换矩阵；使用所述图像变换矩阵，将第一核磁共振图像变换为第二核磁共振图像；使用所述第一核磁共振图像和所述第二核磁共振图像训练所述卷积神经网络。优选地，所述图像变换矩阵中的参数的约束包括：沿图像宽度方向的X轴的平移范围在85％至115％之间；沿图像长度方向的Y轴的平移范围在85％至115％之间；沿图像深度方向的Z轴的平移范围在80％至120％之间；绕所述Z轴的旋转范围在-0.8至0.8弧度之间；以及在所述X轴、所述Y轴和所述Z轴的缩放范围在80％至130％之间。优选地，使用所述第一核磁共振图像与其相应的第二核磁共振图像，训练所述卷积神经网络，包括：在所述第一核磁共振图像与所述第二核磁共振图像的图像配准过程中，使用所述卷积神经网络分别获取所述第一核磁共振图像与所述第二核磁共振图像中的判别性特征；确定所获取的判别性特征之间的非线性关系和相应的图像变换矩阵；使用所确定的图像变换矩阵，对所述第一核磁共振图像进行仿射变换，得到经配准的图像；以及根据所述经配准的图像与所述第二核磁共振图像之间的损失，训练所述卷积神经网络。优选地，通过以下公式计算所述经配准的图像与所述第二核磁共振图像之间的损失。其中，K是用于训练图像的数量，W是所述卷积神经网络中待训练的权值向量，Iref[i]是第i个第二核磁共振图像，It[i]是第i个第一核磁共振图像，t[i]是第i个第一核磁共振图像的标签，f(Iref[i],It[i]；W)是针对第i个第一核磁共振图像的由W参数化的网络输出。优选地，所述图像变换矩阵是四维方阵，所述四维方阵中的前三行元素用于指示所进行的图像平移、图像缩放、图像旋转和/或图像错切。根据本专利技术的另一个方面，提供了一种核磁共振图像序列配准设备。该设备包括至少一个处理器及存储器，所述存储器存储有程序，并且被配置成由所述至少一个处理器执行以下步骤：响应于用户的操作，将患者的核磁共振图像序列作为待配准图像序列；使用卷积神经网络，在所述待配准图像序列与预先生成的参考图像序列之间进行图像配准，其中所述参考图像序列中的多幅图像中的特定区域相互对齐，并且其中所述卷积神经网络包含用于图像配准的判别性特征，以及其中所述判别性特征用于判别将所述待配准图像序列中的图像相对于所述参考图像序列中相应的图像所进行的图像平移、图像缩放、图像旋转和/或图像错切；以及输出经配准的核磁共振图像序列。本专利技术通过利用该卷积神经网络中的用于图像配准的判别性特征，而不使用任何用于度量待配准图像的相似度的指标，可以一次性完成图像配准，从而大幅缩短图像配准时间。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中:图1是根据本专利技术实施例的核磁共振图像序列配准方法的示意图；图2是根据本专利技术实施例的核磁共振图像配准的工作流程的示意图；图3是根据本专利技术实施例的卷积神经网络的架构的示意图；图4是根据本专利技术一个实例的Ep,m的配准结果的示意图；以及图5是根据本专利技术实施例的核磁共振图像序列配准设备的示意图。具体实施方式本专利技术实施例针对医学核磁共振图像配准提出了一种深度学习方法。与相关技术中采用的优化方式不同，本专利技术实施例不使用任何代表配准质量的度量指标作为优化函数，本专利技术实施例的卷积神经网络被设计为直接估计待配准的核磁共振图像之间的图像变换矩阵，然后使用所确定的图像变换矩阵对待配准图像进行仿射变换，即一次性配准。同时，该卷积神经网络的结构能够体现出对图像配准有用的判别性特征。与传统图像配准方法相比较，将本专利技术实施例提供的方法应用在来自不同患者大脑的、不同模态的轴向核磁共振图像上，均取得了更好的图像配准效果，并且执行时间缩短100倍。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本专利技术。本专利技术实施例提供了一种核磁共振图像序列配准方法。图1是根据本专利技术实施例的核磁共振图像序列配准方法的示意图。如图1所示，包本文档来自技高网...

【技术保护点】
1.一种核磁共振图像序列配准方法，其特征在于，包括：响应于用户的操作，将患者的核磁共振图像序列作为待配准图像序列；使用卷积神经网络，在所述待配准图像序列与预先生成的参考图像序列之间进行图像配准，其中所述参考图像序列中的多幅图像中的特定区域相互对齐，并且其中所述卷积神经网络包含用于图像配准的判别性特征，以及其中所述判别性特征用于判别将所述待配准图像序列中的图像相对于所述参考图像序列中相应的图像所进行的图像平移、图像缩放、图像旋转和/或图像错切；以及输出经配准的核磁共振图像序列。

【技术特征摘要】
1.一种核磁共振图像序列配准方法，其特征在于，包括：响应于用户的操作，将患者的核磁共振图像序列作为待配准图像序列；使用卷积神经网络，在所述待配准图像序列与预先生成的参考图像序列之间进行图像配准，其中所述参考图像序列中的多幅图像中的特定区域相互对齐，并且其中所述卷积神经网络包含用于图像配准的判别性特征，以及其中所述判别性特征用于判别将所述待配准图像序列中的图像相对于所述参考图像序列中相应的图像所进行的图像平移、图像缩放、图像旋转和/或图像错切；以及输出经配准的核磁共振图像序列。2.根据权利要求1所述的方法，其特征在于，使用所述卷积神经网络，在所述待配准图像序列与预先生成的参考图像序列之间进行图像配准，包括：在所述待配准图像序列中依次选择每张待配准图像；在所述参考图像序列中依次确定与所述待配准图像相应的参考图像；以及使用所述卷积神经网络，在所述待配准图像与其相应的参考图像之间进行图像配准。3.根据权利要求2所述的方法，其特征在于，使用所述卷积神经网络，在所述待配准图像与其相应的参考图像之间进行图像配准，包括：使用所述卷积神经网络，分别获取所述待配准图像与所述参考图像中的判别性特征；确定所获取的判别性特征之间的非线性关系和相应的图像变换矩阵；以及使用所确定的图像变换矩阵，对所述待配准图像进行仿射变换。4.根据权利要求3所述的方法，其特征在于，使用所述卷积神经网络，分别获取所述待配准图像与所述参考图像中的判别性特征，包括：使用所述卷积神经网络中的编码器，分别对所述待配准图像与所述参考图像进行以下一项或多项操作：卷积、池化、密集化、扁平化、级联，其中所述一项或多项操作的每项操作参数对于所述待配准图像与所述参考图像均相同。5.根据权利要求1所述的方法，其特征在于，在使用所述卷积神经网络，在所述待配准图像序列与预先生成的参考图像序列之间进行图像配准之前，还包括：随机生成图像变换矩阵；使用所述图像变换矩阵，将第一核磁共振图像变换为第二核磁共振图像；使用所述第一核磁共振图像和所述第二核磁共振图像训练所述卷积神经网络。6.根据权利要求5所述的方法，其特征在于，所述图像变换矩阵中的参数的约束包括：沿图像宽度方向的X轴的平移范围在8...

【专利技术属性】
技术研发人员：徐奕宁，吴振洲，
申请(专利权)人：北京安德医智科技有限公司，
类型：发明
国别省市：北京,11