本发明专利技术公开了基于球极坐标系深度神经网络的三维图像刚性匹配方法，包括如下步骤：S1，构建球极坐标三维图像；S11，将医学影像的三维直角坐标系转换到球极坐标系；S12，以球极坐标系为轴建立三维直角坐标系；S2，对公开的数据集进行预处理，S3，构建卷积神经网络模型并且基于数据集训练网络模型；S31，构建球极坐标三维卷积神经网络模型，输出得到特定的特征空间；S32，基于数据集训练球极坐标三维卷积神经网络模型；S33，对卷积神经网络输出的角变量特征图做插值处理；S4，评估模型的性能；使用卷积神经网络提取三维医学影像中核磁共振影像的低维配准特征用于快速配准，与传统方法对比，减少了时间成本。减少了时间成本。减少了时间成本。
【技术实现步骤摘要】
基于球极坐标系深度神经网络的三维图像刚性匹配方法
[0001]本专利技术涉及计算机技术和医学影像配准的交叉
，尤其是涉及基于球极坐标系深度神经网络的三维图像刚性匹配方法。
技术介绍
[0002]医学图像配准分为传统方法和深度学习方法。传统方法的主要思想是直接定义一个相似性指标，采用迭代优化方法寻找相似度最大点，确定参考图像和待配准图像之间的最优几何变换参数。目前基于传统方法的医学图像配准技术已经趋于完善，配准度高。但传统方法仍然存在一些问题，每一对待配准图像，都需按照特定的优化算法在形变空间搜索最优变换直至相似性度量函数收敛；该优化过程非常耗时且容易陷入局部极值，无法满足医学图像配准在实时性和精度方面的要求；而且传统方法不具有学习能力，每一对图像都需要进行重复的优化工作。
[0003]传统方法又分为刚性配准和非刚性配准，刚性配准主要解决的是图像整体移动的问题如平移，旋转等。基于深度学习的配准方法优点在于利用卷积神经网络的局部特征提取能力和学习能力，在图像数据中提取图像的高阶抽象特征，训练后的深度学习模型能够在极短的时间内完成图像对的配准任务。
[0004]深度学习模型源于对人工神经网络的研究，是机器学习的分支，是一种以人工神经网络为架构，对资料进行表征学习的算法。
[0005]本专利技术主要用的深度学习算法是卷积神经网络(CNN)，CNN是由卷积(convolution)，激活(activation)，池化(pooling)三种结构组成。卷积层是CNN算法中的核心部分，通过多个滤波器提取图像的局部信息，生成特征图(feature map)，卷积之后，通常会加入偏置(bias)，并引入非线性激活函数，增加模型的表达能力。池化层是一种降采样操作，主要目标是降低特征图(feature maps)的特征空间，因为特征图(feature maps)的参数太多，而图像细节不利于高层特征的抽取。CNN输出的结果是每幅图像的特定特征空间。
[0006]在CNN的发展历程中，在1998年LeNet最先被提出，它定义了CNN中的卷积层、池化层、全连接层的基本结构。接下来是在2002年AlexNet，这个网络模型中率先使用ReLu作为激活函数，并提出了Dropout来避免模型过拟合。之后在2014年被提出的VGG，通过反复堆叠3*3的卷积核和2*2的池化层来构筑了16
‑
19层深的CNN。同年的GooleNet，通过引入了Inception结构，并将最后的全连接层全部替换为简单的全局平均池化层来改进模型。在2015年，ResNet被提出来，它在VGGNet和MSRANet的基础上进一步加深网络，并通过引入残差单元来解决网络过深引起的退化问题，此时神经网络的层数已经达到了数百层。
技术实现思路
[0007]为解决现有技术的不足，针对医学影响配准，实现降低计算量，减少数据配准时间，提升运行效率的目的，本专利技术采用如下的技术方案：
[0008]基于球极坐标系深度神经网络的三维图像刚性匹配方法，包括如下步骤：
[0009]S1，构建球极坐标三维图像，包括如下步骤：
[0010]S11，将医学影像的三维直角坐标系(x,y,z)转换到球极坐标系
[0011][0012][0013][0014]S12，以球极坐标系中的г，和θ为轴建立三维直角坐标系：
[0015][0016][0017]z＝гcosθ
[0018]其中г为像素点到原点的距离，为方位角，是原点到极坐标点的连线，在xy平面的投影线与正x轴的夹角，θ为仰角，是极坐标点到原点的线段与z轴正方向的夹角；
[0019]S2，对公开的数据集进行预处理，包括如下步骤：
[0020]S21，数据增强，将原始数据集，使用基于torchvision框架中的数据扩增库，用增加
[0021]噪声、平移、旋转方法扩充数据集；
[0022]S22，数据清洗，在三维直角坐标系转换到球极坐标系后，填补缺失值，处理异常值；
[0023]S23，数据归一化，将像素值归一化到(0,1)之间，且将溢出值取边界值；
[0024]S24，在扩充后的数据中随机划分70％为训练集，30％为测试集；
[0025]S3，构建卷积神经网络模型并且基于数据集训练网络模型，包括如下步骤：
[0026]S31，构建球极坐标三维卷积神经网络模型，输出得到特定的特征空间，所述卷积神经网络模型，包括输入层、卷积层、降采样层，输入层输入г，θ三个维度到卷积层，卷积层后的降采样层进行下采样，通过编码的方式，将r轴方向数据维度降低，得到
[0027]和θ的角变量特征图和对和采用损失函数计算loss，反向传
[0028]播计算梯度，使用自适应矩估计Adam优化器更新权重；
[0029]S32，基于数据集训练球极坐标三维卷积神经网络模型，将输入的数据分为正样本和负样本，正样本包含目标图像和已配准图像，负样本包含目标图像和未配准图像，得到两组角变量特征图分别为：正样本目标图像角变量特征图f
1+
、正样本已配准图像角变量特征图f
2+
，以及负样本目标图像角变量特征图f1‑
、负样本未配准图像角变量特征图f2‑
，利用卷积的特性，学习各组中两个图像的局部特征并且计算损失函数，通过不断的反向
[0030]传播计算梯度，调整权重，不断降低损失函数，直至模型收敛；
[0031]S33，对卷积神经网络输出的角变量特征图做插值处理，增加角变量特征图的清晰度。
[0032]S4，评估模型的性能，将一组图像输入球极坐标三维卷积神经网络模型，得到一组
角变量特征图和通过旋转匹配计算得到旋转参数，比较旋转参数与已配准图像角变量特征图的旋转参数的相关性来评估模型，所述旋转匹配，是将中的和θ经过角度变换后可以得到与近似或相等的值，即旋转匹配成功，变换公式如下：
[0033][0034]其中p和q为旋转参数。
[0035]进一步地，所述S32中，损失函数是均方误差损失函数，对于正样本，计算得到特征图参数f
1+
与真值f
2+
的均方误差，对于负样本，计算得到的特征图参数f1‑
与f2‑
的均方误差，乘以符号为负的系数，将这两个损失函数综合相加成一个损失函数：
[0036]Loss＝∑∑(y
+
(f
i+
‑
f
j+
)2+y
‑
(f
i
‑
‑
f
j
‑
)2)/total_number
[0037]其中y
+
为符号为正的系数，y
‑
为符号为负的系数，f
i+
、f
j+
、f
i
‑
、f
j
‑
分别为f
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于球极坐标系深度神经网络的三维图像刚性匹配方法，其特征在于包括如下步骤：S1，构建球极坐标三维图像，包括如下步骤：S11，将医学影像的三维直角坐标系(x,y,z)转换到球极坐标系(г,θ)：θ)：θ)：S12，以球极坐标系中的г，和θ为轴建立三维直角坐标系：和θ为轴建立三维直角坐标系：z＝гcosθ其中г为像素点到原点的距离，为方位角，是原点到极坐标点的连线，在xy平面的投影线与正x轴的夹角，θ为仰角，是极坐标点到原点的线段与z轴正方向的夹角；S3，构建卷积神经网络模型并且基于数据集训练网络模型，包括如下步骤：S31，构建球极坐标三维卷积神经网络模型，输出得到特定的特征空间，所述卷积神经网络模型，包括输入层、卷积层、降采样层，输入层输入г，θ三个维度到卷积层，卷积层后的降采样层进行下采样，通过编码的方式，将r轴方向数据维度降低，得到和θ的角变量特征图和对和采用损失函数计算loss，反向传播计算梯度，更新权重；S32，基于数据集训练球极坐标三维卷积神经网络模型，将输入的数据分为正样本和负样本，正样本包含目标图像和已配准图像，负样本包含目标图像和未配准图像，得到两组角变量特征图分别为：正样本目标图像角变量特征图f
1+
、正样本已配准图像角变量特征图f
2+
，以及负样本目标图像角变量特征图f1‑
、负样本未配准图像角变量特征图f2‑
，通过不断的反向传播计算梯度，调整权重，不断降低损失函数，直至模型收敛；S33，对卷积神经网络输出的角变量特征图做插值处理。2.根据权利要求1所述的基于球极坐标系深度神经网络的三维图像刚性匹配方法，其特征在于还包括S4，评估模型的性能，将一组图像输入球极坐标三维卷积神经网络模型，得到一组角变量特征图和通过旋转匹配计算得到旋转参数，比较旋转参数与已配准图像角变量特征图的旋转参数的相关性来评估模型，所述旋转匹配，是将中的和θ经过角度变换后可以得到与近似或相等的值，即旋转匹配成功，变换公式如下：其中p和q为旋转参数。3.根据权利要求1所述的基于球极坐标系深度神经网络的三维图像刚性匹配方法，其特征在于所述S32中，损失函数是均方误差损失函数，对于正样本，计算得到特征图参数f
1+
与真值f
2+
的均方误差，对于负样本，计算得到的特征图参数f1‑
与f2‑
的均方误差，乘以符号为负的系数，将这两个损失函数综合相加成一个损失函数：Loss＝∑∑(y
+
(f
i+
‑
【专利技术属性】
技术研发人员：张楚杰，王俊彦，
申请(专利权)人：之江实验室，
类型：发明
国别省市：
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。