基于自映射级联的功能磁共振图像配准方法、系统及介质技术方案

本发明专利技术公开了一种基于自映射级联的功能磁共振图像配准方法、系统及介质，该配准方法包括获取并预处理待配准的功能磁共振图像；将预处理后的待配准的功能磁共振图像及模板图像输入到已训练好的自映射级联网络进行配准得到配准后的功能磁共振图像；自映射级联网络包括依次连接的自映射级联子网络、空间变换网络及整合单元，自映射级联子网络的输入为预处理后的待配准的功能磁共振图像及模板图像，整合单元的输出及模板图像为下一个自映射级联子网络的输入。本发明专利技术实施例把原始的待配准的功能磁共振图像加入到每一个级联的子网络，还能减少级联次数过多导致的整体网络退化；可广泛应用于图像处理领域。泛应用于图像处理领域。泛应用于图像处理领域。

【技术实现步骤摘要】
基于自映射级联的功能磁共振图像配准方法、系统及介质


[0001]本专利技术涉及图像处理领域，尤其涉及一种基于自映射级联的功能磁共振图像配准方法、系统及介质。

技术介绍

[0002]人脑是生物亿万年进化的结果，可能是自然界中最复杂的器官。人们对大脑的研究从未中断过,脑科学的研究将拓展人类对自然和自身的认识，揭示精神疾病的发病机制和病理表现，以及推动智能机器人等高科技产品的出现。随着医学影像技术的迅速发展，功能磁共振成像(fMRI)因其非介入性和良好的时间分辨率，已广泛应用于脑科学的研究中。fMRI已经在认知、预测和干预脑神经疾病过程中发挥了重要的基石作用。目前，对fMRI的分析是基于一个大数据问题，通常需要对单一受试者的进行多项研究以及群体受试者的横向研究，从而得到当前受试者或群体的综合信息，提高医疗诊断和治疗的水平。所以需要将不同个体的fMRI数据配准到一个标准空间上，使得所有数据可以合并进行组分析。为了得到群体性推论，首先要解决的一个关键问题就是：fMRI数据的精确配准。
[0003]随着脑功能深入研究的多样化和复杂化，对fMRI配准精度的要求越来越高，国内外针对fMRI配准问题已经开展了一定规模的研究，提出了不少有效的技术方案并在该领域取得了一批重要的研究成果，大体上可以分成三类：(1)高分辨率结构图像的间接配准：解剖结构图像的空间分辨率通常高于fMRI，因此可以提供更丰富的细节信息和更清晰的脑结构信息。但是，脑功能区域并不总是严格对应着脑解剖结构区域，比如使用高分辨率T1分割图像的方法精确配准结构之后，不同受试者间视觉运动区域的差异仍然超过2厘米。(2)脑灰质功能特征的直接配准：近年来，fMRI配准算法有了新的进展，基于脑灰质功能特征进行配准来提高不同受试者间的功能一致性。但是，脑灰质是大脑外侧一层高曲率、高可变性且非常薄的结构，该事实使得基于脑灰质功能特征的fMRI配准存在很大困难，如果没有额外的正则项约束，很容易得到不真实的扭曲形变场；而且提取质量高的脑灰质功能特征十分困难，这需要拥有过硬fMRI专业知识的学者。(3)利用卷积神经网络对图像进行配准。已经提出来的方法需要对fMRI数据的特征进行初步提取，作为辅助网络训练的监督项，但是此特征监督项的提取需要针对fMRI所对应的结构像进行白质和灰质的分割，之后再进行一系列操作提取相应的灰质和白质的功能特征作为辅助监督项，提取过程繁琐；而且网络过多关注于变形后的图像是否与标准空间的模板相似，而忽略了形变场的合理性，即形变场应该尽量减少折叠。

技术实现思路

[0004]有鉴于此，本专利技术实施例的目的是提供一种于自映射级联的功能磁共振图像配准方法、系统及介质，该配置方法无需采用高分辨率结构图像及监督项、自动特征提取且考虑了形变场的合理性；另外把原始的待配准的功能磁共振图像加入到每一个级联的子网络，使得图像的特征能被充分运用，还能减少由于级联次数过多导致的整体网络退化的问题。
[0005]第一方面，本专利技术实施例提供了一种基于自映射级联的功能磁共振图像配准方法，包括步骤：
[0006]获取并预处理待配准的功能磁共振图像，所述预处理包括将所述功能磁共振图像从四维降到三维；
[0007]将预处理后的待配准的功能磁共振图像及模板图像输入到已训练好的自映射级联网络进行配准得到配准后的功能磁共振图像；
[0008]其中，自映射级联网络包括若干个自映射级联子网络、若干个空间变换网络及若干个整合单元，所示自映射级联子网络、所示空间变换网络及所述整合单元依次循环连接，所述自映射级联子网络的输入为所述预处理后的待配准的功能磁共振图像及所述模板图像，所述自映射级联子网络的输出为所述空间变换网络的输入，所述空间变换网络的输出及所述预处理后的待配准的功能磁共振图像为所述整合单元的输入，所述整合单元的输出及所述模板图像为下一个自映射级联子网络的输入，最后一个空间变换网络的输出为所述配准后的功能磁共振图像。
[0009]可选地，所述整合单元包括依次连接的批归一化层、卷积层及带泄露修正线性单元。
[0010]可选地，所述自映射级联子网络包含一个编码结构和一个解码结构，所述编码结构包括若干个卷积层，所述解码结构包括若干个上采样层，所述编码结构和所述解码结构在同一尺度下的特征图进行跳跃连接。
[0011]可选地，所述编码结构设置5个卷积层，所述解码结构设置4个上采样层。
[0012]可选地，所述自映射级联网络训练的损失函数包括均方损失函数和L2正则化函数。
[0013]第二方面，本专利技术实施例提供了一种基于自映射级联的功能磁共振图像配准系统，包括：
[0014]预处理单元，用于获取并预处理待配准的功能磁共振图像，所述预处理包括将所述功能磁共振图像从四维降到三维；
[0015]配准单元，用于将预处理后的待配准的功能磁共振图像及模板图像输入到已训练好的自映射级联网络进行配准得到配准后的功能磁共振图像；
[0016]其中，自映射级联网络包括若干个自映射级联子网络、若干个空间变换网络及若干个整合单元，所述自映射级联子网络的输入为所述预处理后的待配准的功能磁共振图像及所述模板图像，所述自映射级联子网络的输出为所述空间变换网络的输入，所述空间变换网络的输出及所述预处理后的待配准的功能磁共振图像为所述整合单元的输入，所述整合单元的输出及所述模板图像为下一个自映射级联子网络的输入，最后一个空间变换网络的输出为所述配准后的功能磁共振图像。
[0017]第三方面，本专利技术实施例提供了一种基于自映射级联的功能磁共振图像配准系统，包括：
[0018]至少一个处理器；
[0019]至少一个存储器，用于存储至少一个程序；
[0020]当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现第一方面实施例所述的配准方法。
[0021]第四方面，本专利技术实施例提供了一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行第一方面实施例所述的配准方法。
[0022]实施本专利技术实施例包括以下有益效果：本专利技术实施例直接采用预处理后的三维功能磁共振图像，而不是采用与功能区域存在不对应的结构图像；采用自映射级联子网络自动提取功能磁共振图像的特征；采用级联网络将复杂的形变分解成一系列简单形变的组合，这样既能保证每一次形变的变形场是合理的，又能保证最终形变的效果，同时对级联网络加入了一条特征映射的路径，即把原始的待配准的功能磁共振图像加入到每一个级联的子网络，使得图像的特征能被充分运用，还能减少由于级联次数过多导致的整体网络退化的问题。
附图说明
[0023]图1是本专利技术实施例提供的一种基于自映射级联的功能磁共振图像配准方法的步骤流程示意图；
[0024]图2是本专利技术实施例提供的一种自映射级联网络的结构框图；
[0025]图3是本专利技术实施例提供的一种整合单元的结构框图；
[0026]图4是本专利技术实施例提供的一种自映射级联子网络的结构框图；...

【技术保护点】

【技术特征摘要】
1.一种基于自映射级联的功能磁共振图像配准方法，其特征在于，包括步骤：获取并预处理待配准的功能磁共振图像，所述预处理包括将所述功能磁共振图像从四维降到三维；将预处理后的待配准的功能磁共振图像及模板图像输入到已训练好的自映射级联网络进行配准得到配准后的功能磁共振图像；其中，自映射级联网络包括若干个自映射级联子网络、若干个空间变换网络及若干个整合单元，所示自映射级联子网络、所示空间变换网络及所述整合单元依次循环连接，所述自映射级联子网络的输入为所述预处理后的待配准的功能磁共振图像及所述模板图像，所述自映射级联子网络的输出为所述空间变换网络的输入，所述空间变换网络的输出及所述预处理后的待配准的功能磁共振图像为所述整合单元的输入，所述整合单元的输出及所述模板图像为下一个自映射级联子网络的输入，最后一个空间变换网络的输出为所述配准后的功能磁共振图像。2.根据权利要求1所述的基于自映射级联的功能磁共振图像配准方法，其特征在于，所述整合单元包括依次连接的批归一化层、卷积层及带泄露修正线性单元。3.根据权利要求1所述的基于自映射级联的功能磁共振图像配准方法，其特征在于，所述自映射级联子网络包含一个编码结构和一个解码结构，所述编码结构包括若干个卷积层，所述解码结构包括若干个上采样层，所述编码结构和所述解码结构在同一尺度下的特征图进行跳跃连接。4.根据权利要求3所述的基于自映射级联的功能磁共振图像配准方法，其特征在于，所述编码结构设置5个卷积层，所述解码结构设置4个上采样层。5.根据权利要求1
‑...

【专利技术属性】
技术研发人员：朱乔云，周宇佳，冯前进，
申请(专利权)人：南方医科大学，
类型：发明
国别省市：