一种基于深度学习的多模态肝脏磁共振影像配准系统技术方案

本发明专利技术属于磁共振图像配准技术领域，具体为一种基于深度学习的多模态肝脏磁共振影像配准系统。本发明专利技术系统包括：图像预处理模块，用于对源图像和目标图像进行预处理，并利用传统方法进行预配准；训练样本筛选模块，从对经传统方法预配准后的样本中筛选出作为GAN网络训练用的样本；GAN网络模块，用于对多模态肝脏磁共振影像配准；GAN网络包括鉴别器网络和生成器网络；本发明专利技术通过对GAN网络进行预训练，使其学习不同对比度图像域之间的映射关系，实现将一种对比图像转化为另一种对比图像的功能；然后在配准过程中利用经训练的GAN网络辅助传统配准方法，消除配准中由于模态差异而造成的误差，缩短了配准时间，提高了配准准确性。

【技术实现步骤摘要】
一种基于深度学习的多模态肝脏磁共振影像配准系统
本专利技术属于磁共振图像配准
，具体涉及不同对比度，即不同模态之间的肝脏磁共振影像配准方系统。
技术介绍
肝癌是我国常见的肿瘤，是全球第六大常见的癌症，也是亚洲致死率排名第二的癌症，早期、准确诊断肝脏病变具有重要的意义。在对肝脏病变进行诊断的过程中，通常会结合多个模态的影像信息，根据不同影像的特点及优势，进行综合全面的判断。例如磁共振动态增强扫描（DynamicContrastEnhancedMRI,DCE-MRI）可以对肿瘤血管渗透性进行定量分析，不仅可以提供肝脏病变形态学上的特征，还可以反映病变的血供状态；弥散加权成像（DiffusionWeightedImaging,DWI）能对肝脏细胞特征和组织结构进行定量分析，提供比常规MRI更多的信息，对明确病变部位的病理变化和生理活动有重大的意义；近年来以脱氧血红蛋白为内源性对比剂的血氧水平依赖功能磁共振成像(bloodoxygenleveldependentfunctionalmagneticresonanceimaging,BOLD-fMR本文档来自技高网...

【技术保护点】
1.一种基于深度学习的多模态肝脏磁共振影像配准系统，其特征在于，具体包括如下模块：/n图像预处理模块，用于对源图像和目标图像进行预处理，并利用传统方法进行预配准，即依次进行刚性配准、仿射配准和非线性配准；/n训练样本筛选模块，用于对经传统方法预配准后的样本进行筛选，筛选出层级对应关系良好，器官组织清晰的样本，作为GAN网络的训练样本；/nGAN网络模块，经过训练，用于对多模态肝脏磁共振影像配准；所述GAN网络采用pix2pix架构搭建；搭建的GAN网络包括鉴别器网络和生成器网络；其中：/n所述生成器网络，采用类似U-Net的结构，生成器网络包括：5-12层卷积层，5-15层反卷积层；每个卷积层...

【技术特征摘要】
1.一种基于深度学习的多模态肝脏磁共振影像配准系统，其特征在于，具体包括如下模块：
图像预处理模块，用于对源图像和目标图像进行预处理，并利用传统方法进行预配准，即依次进行刚性配准、仿射配准和非线性配准；
训练样本筛选模块，用于对经传统方法预配准后的样本进行筛选，筛选出层级对应关系良好，器官组织清晰的样本，作为GAN网络的训练样本；
GAN网络模块，经过训练，用于对多模态肝脏磁共振影像配准；所述GAN网络采用pix2pix架构搭建；搭建的GAN网络包括鉴别器网络和生成器网络；其中：
所述生成器网络，采用类似U-Net的结构，生成器网络包括：5-12层卷积层，5-15层反卷积层；每个卷积层选取合适的激活函数；
所述鉴别网络，采用patch-GAN结构，即将一张图像通过多层卷积后得到尺寸较小的特征矩阵，经过sigmoid激活函数处理后得到矩阵中每个特征值相应介于0和1之间的概率值，其平均值即为鉴别网络输出的判别结果；鉴别网络包括：卷积层，5-10层跨步卷积层，以及最终卷积层；
系统的工作流程如下：
（一）由图像预处理模块，对源图像和目标图像进行预处理，并利用传统方法进行预配准，即依次进行刚性配准、仿射配准和非线性配准；
（二）由训练样本筛选模块，对经传统方法预配准后的样本进行筛选，筛选出层级对应关系良好，器官组织清晰的样本，作为GAN网络的训练样本；
（三）用筛选的训练样本，对GAN网络进行训练；
在训练过程中，对比训练结果，调整图像预处理方法、网络训练方法及数据增强方法，达到最好的训练效果；
（四）进行GAN网络的辅助配准，具体流程为：
（1）将待配准的三维源模态图像切片，以二维图像的形式输入经过训练的GAN网络，输出对应的二维目标模态仿真图像，将二维仿真图像整合为三维仿真图像；<...

【专利技术属性】
技术研发人员：于航，王成彦，王鹤，
申请(专利权)人：复旦大学，
类型：发明
国别省市：上海;31