基于生成对抗网络的2D/3D脊椎CT非刚性配准方法技术

本发明专利技术公开了一种基于生成对抗网络的2D/3D脊椎CT非刚性配准方法，先下载2D/3D图像，用于训练搭建的生成对抗网络，然后在训练过程中，通过生成对抗网络来训练一个能保证符合人体关节约束的相对形变参数，并通过迭代优化来求最优配准形变参数，最后将术前待配准3D图像经过最优配准形变参数后得到的3D图像作为最终的配准结果，进而实现配准过程。

【技术实现步骤摘要】
基于生成对抗网络的2D/3D脊椎CT非刚性配准方法
本专利技术属于图像处理
，更为具体地讲，涉及一种基于生成对抗网络的2D/3D脊椎CT非刚性配准方法。
技术介绍
影像导航手术的关键是2D/3D图像配准技术，它是将来自不同成像设备、成像时间以及成像目标的多幅图像经过一定的空间变换后，处于同一参考系下达到同一解剖结构的图像像素对应匹配的目的，实现精确跟踪与校正手术器械与病人病灶间的相对位置关系完成影像导航手术，手术的关键就在于准确的建立术前3D图像和术中2D图像之间的空间位置关系，即配准术前3D图像和术中2D图像。目前采用深度学习进行医学图像配准的方法大致有：深度迭代学习，监督学习和无监督学习。深度迭代学习的基本配准思想还是传统的，只是在传统方法中嵌入了神经网络用来提取特征，或者学习相似性测度等，与其他两种方法的最直观的区别在于这种方法每配准一对图像都要迭代优化去寻找最优解，深度迭代学习的一大缺点就是速度很慢，无法满足实时配准的需求。监督学习直接通过一个神经网络来回归变换参数(可以是变换矩阵的参数，也可以是一个形变场本文档来自技高网...

【技术保护点】
1.一种基于生成对抗网络的2D/3D脊椎CT非刚性配准方法，其特征在于，包括以下步骤：/n(1)、获取2D和3D医学图像/n获取X射线图像作为配准过程的术中2D参考图像，获取医学3D CT序列作为训练过程的术前3D图像序列；/n(2)、搭建生成对抗网络/n生成对抗网络包括生成器G和判别器D；/n所述生成器G由全连接层网络构成，用于输出相对的形变参数；/n生成器G采用3层全连接层结构，具体为：第一层为第一层全连接层，包含12个节点；第二层为第二层全连接层，包含24个节点；第三层为第三层全连接层，包含12个节点；/n所述判别器D由卷积神经网络组合而成，输出二分类结果；/n卷积神经网络的具体结构为：...

【技术特征摘要】
1.一种基于生成对抗网络的2D/3D脊椎CT非刚性配准方法，其特征在于，包括以下步骤：
(1)、获取2D和3D医学图像
获取X射线图像作为配准过程的术中2D参考图像，获取医学3DCT序列作为训练过程的术前3D图像序列；
(2)、搭建生成对抗网络
生成对抗网络包括生成器G和判别器D；
所述生成器G由全连接层网络构成，用于输出相对的形变参数；
生成器G采用3层全连接层结构，具体为：第一层为第一层全连接层，包含12个节点；第二层为第二层全连接层，包含24个节点；第三层为第三层全连接层，包含12个节点；
所述判别器D由卷积神经网络组合而成，输出二分类结果；
卷积神经网络的具体结构为：
第一层为第一卷积层，卷积核大小为3*3*3，输出通道数32，填充方式为same，步长2，输出分辨率为32*32*32；
第二层为第二卷积层，卷积核大小为3*3*3，输出通道数64，填充方式为same，步长2，输出分辨率为16*16*16；
第三层为第三卷积层，卷积核大小为3*3*3，输出通道数128，填充方式为same，步长2，输出分辨率为8*8*8；
第四层为第四卷积层，卷积核大小为3*3*3，输出通道数256，填充方式为same，步长2，输出分辨率为4*4*4；
第五层是全连接层，输出为一个0或1，其中，0代表假，1代表真，激活函数采样sigmoid；
(3)、训练训练生成对抗网络
(3.1)、将随机噪声Z输入至生成器G，输出一个相对形变参数，然后将术前3D图像序列经过相对形变参数的变形，产生形变后的3D图像序列，将其作为负样本序列，将术前3D图像序列作为正样本序列；
(3.2)、将每一组正、负样本一起输入判别器D，通过判别器D判别每个正、负样本中各个关节之间的形变是否符合人体椎骨关节间的约束，如果满足约束，则输出样本标签值1，如果不满足约束，则输出样本标签值0，完成正、负样本的二分类判别；
(3.3)、计算二分类交叉熵LBCE；

【专利技术属性】
技术研发人员：杨波，颜立祥，郑文锋，刘珊，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51