【技术实现步骤摘要】
一种基于全卷积神经网络的PET与CT图像配准方法
本专利技术属于医学图像配准领域，具体涉及一种基于全卷积神经网络的PET与CT图像配准方法。
技术介绍
正电子断结构扫描(PositronEmissionComputerTomography，以下简称PET)利用回旋加速器产生放射性同位素18F、13N，静脉注射后参与人体的新陈代谢。代谢率高的组织或病变，在PET上呈现明确的高代谢亮信号；代谢率低的组织或病变在PET上呈低代谢暗信号。计算机断结构扫描(ComputedTomography，以下简称CT)是用X线束对人体的某一部分按一定厚度的结构面进行扫描，当X线射向人体组织时，部分射线被组织吸收，部分射线穿过人体被检测器官接收，产生信号，能准确对图像进行定位。PET/CT可以进行功能与解剖结构的同机图像融合，是影像医学的一个重要进展。多模态图像配准利用各种成像方式的特点，为不同的影像提供互补信息，增加图像信息量，有助于更全面地了解病变的性质及与周围解剖结构的关系，为临床诊断和治疗的定位提供有效的方法。医学图像配准在许多医学图像处理任务中起着重要的作用。通常将图像配准制...
【技术保护点】
1.一种基于全卷积神经网络的PET与CT图像配准方法，其特征在于，包括：获取待配准的PET与CT二维图像，通过尺寸预处理后获取待配准的PET与CT图像块并输入到预先训练的全卷积神经网络中，获取配准图像；其中，训练全卷积神经网络包括以下步骤：101、预先获取多幅PET和CT二维样本图像，进行尺寸预处理，获取用于训练的PET和CT样本图像块；102、构建全卷积神经网络，初始化网络权重参数，设置迭代次数，将用于训练的PET和CT样本图像块作为全卷积神经网络的输入，通过多次卷积、池化和反卷积生成形变场；103、通过对形变场和PET图像块进行空间变换获取训练的配准图像；104、根据训...
【技术特征摘要】
1.一种基于全卷积神经网络的PET与CT图像配准方法，其特征在于，包括：获取待配准的PET与CT二维图像，通过尺寸预处理后获取待配准的PET与CT图像块并输入到预先训练的全卷积神经网络中，获取配准图像；其中，训练全卷积神经网络包括以下步骤：101、预先获取多幅PET和CT二维样本图像，进行尺寸预处理，获取用于训练的PET和CT样本图像块；102、构建全卷积神经网络，初始化网络权重参数，设置迭代次数，将用于训练的PET和CT样本图像块作为全卷积神经网络的输入，通过多次卷积、池化和反卷积生成形变场；103、通过对形变场和PET图像块进行空间变换获取训练的配准图像；104、根据训练配准图像和PET图像块获取相似度量Lsim，根据形变场获取限制形变场平滑度Lsmooth，根据公式一和公式二获取总损失函数L，通过总损失函数L更新网络权重参数；公式一：L＝m1*L1+m2*L2......+mn*Ln；式中，m1+m2.....+mn＝1，m1、m2……mn均为常数；公式二：L(F,M,Dv)＝Lsim(F,MDv)+λLsmooth(Dv)；式中，Lsim为相似性度量，F为CT图像块，MDv为，Lsmooth为形变场的平滑度，Dv为位移矢量矩阵，λ为常数；105、遍历用于训练的PET和CT样本图像块，重复执行步骤103-105，多次迭代训练并更新网络权重参数，直至迭代次数达到预设值，获取预先训练的全卷积神经网络。2.如权利要求1所述的方法，其特征在于，尺寸预处理包括：B1、针对预处理的图像，根据公式三和公式四，分别计算SUV值和Hu值，设置Hu值窗宽窗位和SUV限制范围；公式三：SUV＝Pixels×LBM×1000/injecteddose；式中，Pixels为PET图像的像素值，LBM为瘦体重，injecteddose为注射示踪剂计量；公式四：Hu＝Pixels×slopes+intercepts；式中，Pixels为CT图像的像素值，slopes为Hu值计算公式中的斜率；intercepts为Hu值计算公式中的截距；B2、调整分辨率至图像尺寸等于预设值生成三维数组；B3、将三维数组据变换成五维数组，通过剪裁和采样获取预设尺寸的图像块。3.如权利要求2所述的方法，其特征在于，步骤103中构建全卷积神经网络包括：第一卷积结构、第二卷积结构、第三卷积结构、第四卷积结构、第一反卷积结构、第二反卷积结构、第一池...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。