一种基于循环正则训练的跨模态医学图像配准方法及装置制造方法及图纸

本发明专利技术公开了一种基于循环正则训练的跨模态医学图像配准方法，包括以下步骤：预训练反向单模态配准网络，反向单模态配准网络包括第一变形场预测网络和第一空间变换模块；设置前向跨模态配准网络，前向跨模态配准网络包括第二变形场预测网络和第二空间变换模块；将前向跨模态配准网络与预训练好的反向单模态配准网络进行级联以得到循环正则训练网络，对循环正则训练网络进行训练；将待配准的第一模态的第三浮动图像和第二模态的第三参考图像输入到训练完成的循环正则训练网络中的前向跨模态配准网络，得到扭曲的第三浮动图像，即为配准图像。本发明专利技术提出的基于循环正则训练的跨模态医学图像配准方法及装置，使得配准结果更加准确。

【技术实现步骤摘要】
一种基于循环正则训练的跨模态医学图像配准方法及装置
本专利技术涉及医学图像配准
，尤其涉及一种基于循环正则训练的跨模态医学图像配准方法及装置。
技术介绍
跨模态医学图像配准是将一对不同模态的浮动图像和参考图像对齐的过程，其目标是找到使配准图像对中感兴趣区域对齐的最佳空间变换。常见的跨模态医学图像配准包括磁共振-计算机断层扫描(MR-CT)配准、磁共振-超声(MR-US)配准、计算机断层扫描-超声(CT-US)配准等。跨模态医学图像配准根据空间变换类型分为跨模态医学图像仿射配准和跨模态医学图像可变形配准。跨模态医学图像可变形配准找到的空间变换是表示体素级位移的密集变形场。由于MR、CT、US等不同模态图像间体素强度的显著差异，跨模态医学图像的配准十分困难。现有技术中提出了一些跨模态医学图像的配准方法，例如无监督体素形变配准模型VoxelMorph，该模型框架如图1所示。VoxelMorph网络以浮动图像Im和参考图像If为输入，使用U型结构网络Unet提取图像特征预测出变形场φ。借助空间变换模块(SpatialTransfo本文档来自技高网...

【技术保护点】
1.一种基于循环正则训练的跨模态医学图像配准方法，其特征在于，包括以下步骤：/nS1：预训练反向单模态配准网络，所述反向单模态配准网络包括第一变形场预测网络和第一空间变换模块：/n将包括第一模态的第一浮动图像和第二模态的第一参考图像的第一训练集输入到现有的图像配准算法中输出第一扭曲浮动图像，/n再将所述第一扭曲浮动图像和所述第一浮动图像输入到所述第一变形场预测网络，得到第一变形场，/n然后将第一变形场和第一扭曲浮动图像输入到所述第一空间变换模块，得到第一循环浮动图像，/n比较所述第一循环浮动图像与所述第一浮动图像，得到第一总损失函数，以最小化所述第一总损失函数为目标对所述反向单模态配准网络进行...

【技术特征摘要】
1.一种基于循环正则训练的跨模态医学图像配准方法，其特征在于，包括以下步骤：
S1：预训练反向单模态配准网络，所述反向单模态配准网络包括第一变形场预测网络和第一空间变换模块：
将包括第一模态的第一浮动图像和第二模态的第一参考图像的第一训练集输入到现有的图像配准算法中输出第一扭曲浮动图像，
再将所述第一扭曲浮动图像和所述第一浮动图像输入到所述第一变形场预测网络，得到第一变形场，
然后将第一变形场和第一扭曲浮动图像输入到所述第一空间变换模块，得到第一循环浮动图像，
比较所述第一循环浮动图像与所述第一浮动图像，得到第一总损失函数，以最小化所述第一总损失函数为目标对所述反向单模态配准网络进行预训练；
S2：设置前向跨模态配准网络，所述前向跨模态配准网络包括第二变形场预测网络和第二空间变换模块；
S3：将所述前向跨模态配准网络与预训练好的所述反向单模态配准网络进行级联以得到循环正则训练网络，对所述循环正则训练网络进行训练：
将包括第一模态的第二浮动图像和第二模态的第二参考图像的第二训练集输入所述第二变形场预测网络，得到第二变形场，
将所述第二变形场和所述第二浮动图像输入到所述第二空间变换模块，得到第二扭曲浮动图像，
再将所述第二扭曲浮动图像和所述第二浮动图像输入到所述第一变形场预测网络，得到第三变形场，
将所述第三变形场和所述第二扭曲浮动图像输入到所述第一空间变换模块，得到第二循环浮动图像；
比较所述第二循环浮动图像和所述第二浮动图像，得到第二总损失函数，以最小化所述第二总损失函数为目标对所述循环正则训练网络进行训练；
S4：将待配准的第一模态的第三浮动图像和第二模态的第三参考图像输入到训练完成的所述循环正则训练网络中的所述前向跨模态配准网络，得到扭曲的第三浮动图像，即为配准图像。


2.根据权利要求1所述的...

【专利技术属性】
技术研发人员：李秀，徐哲，罗凤，马露凡，严江鹏，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：广东;44