一种基于神经网络的无监督血管内超声图像配准方法技术

本发明专利技术公开了一种基于神经网络的无监督血管内超声图像配准方法，属于医学图像处理技术领域。针对传统配准方法迭代优化配准时间长的缺点，引入深度学习把迭代时间转移到网络模型训练时间中去，本发明专利技术使用类U‑net网络结构，用步长卷积代替池化层进行下采样，保留更多配准需要的空间位置特征。针对常见深度学习方法对于IVUS图像配准精度较低问题，本发明专利技术继续在网络结构引入注意力机制，这一改进使得配准网络模型在训练过程中能更好聚焦于待配准图像之间形态差异较大的地方，有效提高血管内超声图像配准精度。最终本发明专利技术配准精度和最先进传统配准方法不相上下，而配准用时大大减少。

【技术实现步骤摘要】
一种基于神经网络的无监督血管内超声图像配准方法
本专利技术属于医学图像处理
，特别涉及一种基于卷积神经网络的医学图像配准方法。
技术介绍
医学图像配准，是指对一组图像数据集中的两幅图像，通过寻找一种空间变换把一幅图像(移动图像)映射到另一幅图像(固定图像)，使得两图上的对应点达到空间上的一致。针对血管内超声(IVUS)图像，配准技术可以用来计算血管壁变形分析血管弹性，进而研究易损斑块的早期发现以及斑块破裂的风险，为预防和治疗心血管疾病提供重要依据，对引导介入性手术及手术支架的置入情况监测都有重要的意义。传统的图像配准方法是一个迭代优化的过程，其基本思想是先定义一个相似性指标，通过对参数化转换或非参数化转换进行不断迭代优化，使得配准后的移动图像与固定图像相似性最高。传统的配准方法主要分为基于特征的配准方法和基于灰度的配准方法。(1)基于特征的配准方法，其基本思想是先提取图像的特征(点、边缘、区域等)，再生成相应特征描述子，最后根据描述子的相似程度对两幅图像的特征进行匹配，典型的算法有SIFT方法等。这种方法对于特征不明显的图像有很大本文档来自技高网...

【技术保护点】
1.一种基于神经网络的无监督血管内超声图像配准方法，其特征在于，包括以下步骤：/n步骤1，从互联网获取医学图像序列，使用的是血管内超声IVUS图像；/n步骤2，对获取到的二维血管内超声图像进行预处理；/n步骤3，将预处理后得到的固定图像I

【技术特征摘要】
1.一种基于神经网络的无监督血管内超声图像配准方法，其特征在于，包括以下步骤：
步骤1，从互联网获取医学图像序列，使用的是血管内超声IVUS图像；
步骤2，对获取到的二维血管内超声图像进行预处理；
步骤3，将预处理后得到的固定图像IF和移动图像IM作为神经网络的输入层输入神经网络，每组输入数据均包括所述的一张固定图像IF和一张移动图像IM，该神经网络由编码解码器组成；
步骤4，将移动图像IM和上述输出的变形场φ输入到空间变换网络STN得到变形后的图像具体公式如下：



其中，p'＝p+u(p)，Z(p')表示p'的8邻域像素，d表示空间维度；
步骤5，利用损失函数计算固定图像IF与所述变形后的图像的损失函数值，损失函数的计算公式为：



其中，Lsim()为相似性测度项，Lsmooth(φ)为平滑正则项，λ是正则化系数，计算公式分别为:






对神经网络进行反向传播优化，采用Adam优化器来优化训练模型，直至计算所得的损失函数值不再变小或网络训练达到预先设定的训练迭代次数，神经网络训练完成，得到训练好的神经网络模型；
步骤6，将待配准的医学图像输入到上述训练好的配准网络中，得到并输出该待配准图像配准好的图像。


2.根据权利要求1所述的一种基于神经网络的无监督血管内超声图像配准方法，其特征在于，步骤2包括如下步骤，步骤2.1，对所有图像进行感兴趣区域提取，像素值归一化到[0，1]，仿射对齐，图像尺寸大小统一为192*192；
步骤2.2，对数据集按照9:1比例划分为训练集和测试集；
步骤2.3，令训练集的每个图像为固定图像IF，对每个固定图像IF分别进行弯曲变换数据增强操作，得到各图像对应的弯曲变换后的图像为移动图像IM，所得到的移动图像IM为新增加的训练集图像。


3.根据权利要求1所述的一种基于神经网络的无...

【专利技术属性】
技术研发人员：汪友生，刘继荣，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11