【技术实现步骤摘要】
一种基于强约束仿射形变特征学习的颈动脉多模态图像配准方法
本专利技术涉及医学图像配准领域,涉及一种利用深度学习进行多模态医学图像的配准方法。
技术介绍
通过图像配准建立图像对应关系是许多临床任务的关键,如图像融合、器官图谱创建和肿瘤生长监测等。随着医学成像技术的发展进步,出现了大量的医学成像设备。这些成像设备为人们提供了各种模态的医学图像,如:CT、MRI、X射线等。不同模态的医学图像所提供的解剖结构和器官组织信息各不相同,两者进行融合才能提供更加全面的诊断信息。多模态医学图像配准是将一个或者多个模态的医学图像寻找一种空间变换的对应关系,使得它们和另一模态图像上的对应点空间上达到一致。传统的医学图像配准可以分为两大类:基于灰度和基于特征的配准方法。基于灰度的配准方法是指利用图像灰度信息作为依据进行配准的方法,例如互信息法、梯度信息法等。基于特征的配准方法又分为基于外部特征和基于内部特征的配准方法。利用体素强度的配准方法由于没有考虑图像的局部结构特征,用迭代优化的方式搜寻最优参数的,导致其处理速度相当慢,很难应用于实时化场景。基于特征的图像配准方法,是提取参考图像与待配准图像中不变的特征,列如边缘点、闭区域中心等,仅需提取少量的图像特征大幅度提高了配准速率,但配准精度对特征的提取更加敏感,该方法难以提供精确的配准结果。随着深度学习应用与不同的
,医学成像研究界开发了基于深度学习的方法,并在许多应用中达到了最先进的水平,包括图像配准。深度学习被成功地用于提高基于配准的迭代和强度,利用 ...
【技术保护点】
1.一种基于强约束仿射形变特征学习的颈动脉多模态图像配准方法,其特征在于,所述方法包括以下步骤:/n(1)数据选取:采用多模态颈动脉数据,选取固定图像和浮动图像,固定图像为突出组织的T1加权图像,浮动图像为利用血管成像造影技术突出颈动脉血管的TOF序列的核磁共振图像,并分别标注出两序列对应的颈动脉标签;/n(2)网络训练:根据所述固定图像和浮动图像以及分割出的标签数据,将固定图像和浮动图像输入到神经网络中产生位移场,并通过浮动图像的颈动脉标签与位移场作用,得到扭曲后的标签,通过变形标签和固定图像的标签获得到dice损失函数(loss),通过位移场获得正则项的损失函数;/n(3)配准图像:根据网络训练产生的模型,将固定图像和浮动图像输入已经训练的网络,得到两个图像之间的位移场,通过位移场和原先输入网络的浮动图像得到扭曲后的图像。/n
【技术特征摘要】
1.一种基于强约束仿射形变特征学习的颈动脉多模态图像配准方法,其特征在于,所述方法包括以下步骤:
(1)数据选取:采用多模态颈动脉数据,选取固定图像和浮动图像,固定图像为突出组织的T1加权图像,浮动图像为利用血管成像造影技术突出颈动脉血管的TOF序列的核磁共振图像,并分别标注出两序列对应的颈动脉标签;
(2)网络训练:根据所述固定图像和浮动图像以及分割出的标签数据,将固定图像和浮动图像输入到神经网络中产生位移场,并通过浮动图像的颈动脉标签与位移场作用,得到扭曲后的标签,通过变形标签和固定图像的标签获得到dice损失函数(loss),通过位移场获得正则项的损失函数;
(3)配准图像:根据网络训练产生的模型,将固定图像和浮动图像输入已经训练的网络,得到两个图像之间的位移场,通过位移场和原先输入网络的浮动图像得到扭曲后的图像。
2.如权利要求1所述的一种基于强约束仿射形变特征学习的颈动脉多模态图像配准方法,其特征在于,所述步骤(1)中,数据选取包括以下步骤:
(1.1)图像预处理:将图像统一进行偏移场纠正后进行重采样,获得体素大小为0.6*0.6*0.6的数据,在重采样的基础上我们进行图像裁剪,以获得同样大小的图像,过程为:
(1.1.1)将两模态的图像进行左右,前后和上下裁剪,以扩增数据,裁剪过程要考虑不同模态对应点的空间信息匹配关系;
(1.1.2)由于浮动图像的图像定位的空间坐标系统使用RAS,固定图像所用为RAI,即两序列图像对于空间位置坐标为:
fixed(x,y,z)=moving(x,-z,y)
其中,moving(x,-z,y)和fixed(x,y,z)分别表示浮动图像和固定图像的像素点位置在图像定位的空间坐标系统的表示,这就要求在数据输入网络前需要将空间位置坐标fixed(x,y,z)对应于moving(x,y,z),所以需要对移动图像进行装置翻转的相关操作,将转化moving(x,-z,y)为moving(x,y,z),以满足网络训练时的像素点匹配的基本要求;
(1.2)颈动脉标签的标注:利用标注软件ITK-SNAP标注出颈动脉两个序列MRI图中的血管部位。
3.如权利要求1或2所述的基一种基于强约束仿射形变特征学习的颈动脉多模态图像配准方法,其特征在于,所述步骤(2)中,网络训练包括以下步骤:
(2.1)多特征输入限制型仿射模型结构设计:
输入移动和固定图像,在输入网络前进如(1.1.2)所述经过像素值匹配操作后再进行值的拼接操作:
其中a为移动图像和固定图像的像素点总数,为拼接符号;
(2.1.1)利用串行卷积的多特征输入预测融合:
串行的结构可以在每一卷积层之间获得不一样抽象特征,仿射变形和可变性变形共享下采样结构,我们在下采样和上采样的卷积...
【专利技术属性】
技术研发人员:汪晓妍,毛立朝,黄晓洁,祝骋路,顾政,刘震杰,
申请(专利权)人:浙江工业大学,
类型:发明
国别省市:浙江;33
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。