图像配准方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种图像配准方法、装置、计算机设备和存储介质。所述方法包括：获取待配准的目标浮动图像和目标参考图像；其中，所述目标浮动图像与所述目标参考图像为相同维度的医学扫描图像；利用预先训练的图像配准模型对所述目标浮动图像和所述目标参考图像进行配准处理，得到目标配准参数；其中，所述图像配准模型为对扫描视野差异大于预设差异值的浮动图像和参考图像进行配准处理的深度学习模型。采用本方法能够提高配准效率。采用本方法能够提高配准效率。采用本方法能够提高配准效率。

【技术实现步骤摘要】
图像配准方法、装置、计算机设备和存储介质


[0001]本申请涉及图像处理
，特别是涉及一种图像配准方法、装置、计算机设备和存储介质。

技术介绍

[0002]图像融合(Image Fusion)，用于将不同时间或不同模态采集到的图像数据进行融合处理得到融合图像，或进行病灶轮廓传递操作等，使得医学检测结果更加客观，更多细节得以体现。
[0003]相关技术中，图像融合前通常需要先对不同时间或不同模态采集到的图像数据进行配准，由于采集到的图像数据往往扫存在扫描视野差异较大的问题，针对这种情况，常用的配准方式包括：使用归一化互信息作为相似性测度，用萤火虫所处位置来表示配准参数，根据每个萤火虫的位置计算互信息函数值并将其作为当前萤火虫的亮度，通过亮度和吸引度的迭代更新来寻找互信息函数取最优解时的配准参数。
[0004]然而，上述配准方式需要不断迭代才能找到较佳的配准参数，因此存在收敛速度慢、配准效率低的问题。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够缩短配准时间、提高配准效率的图像配准方法、装置、计算机设备和存储介质。
[0006]第一方面，提供了一种图像配准方法，该方法包括：
[0007]获取待配准的目标浮动图像和目标参考图像；其中，目标浮动图像与目标参考图像为相同维度的医学扫描图像；
[0008]利用预先训练的图像配准模型对目标浮动图像和目标参考图像进行配准处理，得到目标配准参数；其中，图像配准模型为对扫描视野差异大于预设差异值的浮动图像和参考图像进行配准处理的深度学习模型。
[0009]在其中一个实施例中，上述利用预先训练的图像配准模型对目标浮动图像和目标参考图像进行配准处理，得到目标配准参数，包括：
[0010]分别对目标浮动图像和目标参考图像进行图像预处理，得到输入浮动图像和输入参考图像；
[0011]将输入浮动图像和输入参考图像输入到图像配准模型中，得到初始配准参数；
[0012]对初始配准参数进行后处理，得到目标配准参数。
[0013]在其中一个实施例中，上述分别对目标浮动图像和目标参考图像进行图像预处理，得到输入浮动图像和输入参考图像，包括：
[0014]分别对目标浮动图像和目标参考图像进行降采样处理，得到采样浮动图像和采样参考图像；
[0015]分别对采样浮动图像和采样参考图像进行扩边处理，得到输入浮动图像和输入参
考图像。
[0016]在其中一个实施例中，该方法还包括：
[0017]对输入浮动图像和输入参考图像进行去除床板处理，得到去除床板后的输入浮动图像和去除床板后的输入参考图像；
[0018]对应地，将输入浮动图像和输入参考图像输入到图像配准模型中，得到初始配准参数，包括：
[0019]将去除床板后的输入浮动图像和去除床板后的输入参考图像输入到图像配准模型中，得到初始配准参数。
[0020]在其中一个实施例中，上述图像配准模型的训练过程包括：
[0021]获取样本浮动图像和样本参考图像；
[0022]利用样本浮动图像和样本参考图像进行深度学习模型的训练，得到变换矩阵；
[0023]根据预设尺寸、样本浮动图像和样本参考图像生成辅助浮动图像和辅助参考图像；
[0024]根据变换矩阵对辅助浮动图像进行图像变换处理，得到变换后的辅助浮动图像；
[0025]根据变换后的辅助浮动图像和辅助参考图像计算图像相似度损失值；
[0026]根据样本浮动图像和样本参考图像中相对应的解剖关键点，计算平移量损失值；
[0027]基于图像相似度损失值和平移量损失值对深度学习模型的模型参数进行调整，得到图像配准模型。
[0028]在其中一个实施例中，深度学习模型包括刚性配准模型，上述利用样本浮动图像和样本参考图像进行深度学习模型的训练，得到变换矩阵，包括：
[0029]将样本浮动图像和样本参考图像输入到刚性配准模型中，得到刚性配准模型输出的变换参数；
[0030]对变换参数进行矩阵变换处理，得到变换矩阵。
[0031]在其中一个实施例中，深度学习模型包括仿射配准模型，上述利用样本浮动图像和样本参考图像进行深度学习模型的训练，得到变换矩阵，包括：
[0032]将样本浮动图像和样本参考图像输入到仿射配准模型中，得到仿射配准模型输出的变换矩阵。
[0033]在其中一个实施例中，上述基于图像相似度损失值和平移量损失值对深度学习模型的模型参数进行调整，得到图像配准模型，包括：
[0034]对图像相似度损失值和平移量损失值进行加权求和计算，得到总损失值；
[0035]基于总损失值对深度学习模型的模型参数进行调整，得到图像配准模型。
[0036]在其中一个实施例中，上述获取样本浮动图像和样本参考图像，包括：
[0037]从预设样本集合中选取出候选浮动图像和候选参考图像；其中，候选浮动图像与候选参考图像存在位置对应的解剖关键点；
[0038]对候选浮动图像和候选参考图像进行图像裁剪处理，得到裁剪浮动图像和裁剪参考图像；
[0039]对裁剪浮动图像和裁剪参考图像进行图像预处理，得到样本浮动图像和样本参考图像。
[0040]在其中一个实施例中，在上述利用预先训练的图像配准模型对目标浮动图像和目
标参考图像进行配准处理，得到目标配准参数之后，该方法还包括：
[0041]根据目标配准参数对目标浮动图像进行变换处理，得到变换浮动图像；
[0042]利用预先设置的刚性配准模型和/或非刚性配准模型对变换浮动图像和目标参考图像进行配准处理，得到更新配准参数。
[0043]第二方面，提供了一种图像融合方法，该方法包括：
[0044]利用第一方面的步骤获取目标浮动图像、目标参考图像、图像配准模型和目标配准参数；其中，图像配准模型为对扫描视野差异大于预设差异值的浮动图像和参考图像进行配准处理的深度学习模型；
[0045]获取目标浮动图像所对应的目标传递图像；
[0046]根据目标配准参数对目标传递图像与目标参考图像进行融合处理，得到目标融合图像。
[0047]第三方面，提供了一种图像配准装置，该装置包括：
[0048]图像获取模块，用于获取待配准的目标浮动图像和目标参考图像；其中，目标浮动图像与目标参考图像为相同维度的医学扫描图像；
[0049]配准处理模块，用于利用预先训练的图像配准模型对目标浮动图像和目标参考图像进行配准处理，得到目标配准参数；其中，图像配准模型为对扫描视野差异大于预设差异值的浮动图像和参考图像进行配准处理的深度学习模型。
[0050]在其中一个实施例中，上述配准处理模块包括：
[0051]预处理子模块，用于分别对目标浮动图像和目标参考图像进行图像预处理，得到输入浮动图像和输入参考图像；
[0052]配准子模块，用于将输入浮动图像和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像配准方法，其特征在于，所述方法包括：获取待配准的目标浮动图像和目标参考图像；其中，所述目标浮动图像与所述目标参考图像为相同维度的医学扫描图像；利用预先训练的图像配准模型对所述目标浮动图像和所述目标参考图像进行配准处理，得到目标配准参数；其中，所述图像配准模型为对扫描视野差异大于预设差异值的浮动图像和参考图像进行配准处理的深度学习模型。2.根据权利要求1所述的方法，其特征在于，所述利用预先训练的图像配准模型对所述目标浮动图像和所述目标参考图像进行配准处理，得到目标配准参数，包括：分别对所述目标浮动图像和所述目标参考图像进行图像预处理，得到输入浮动图像和输入参考图像；将所述输入浮动图像和所述输入参考图像输入到所述图像配准模型中，得到初始配准参数；对所述初始配准参数进行后处理，得到所述目标配准参数。3.根据权利要求2所述的方法，其特征在于，所述分别对所述目标浮动图像和所述目标参考图像进行图像预处理，得到输入浮动图像和输入参考图像，包括：分别对所述目标浮动图像和所述目标参考图像进行降采样处理，得到采样浮动图像和采样参考图像；分别对所述采样浮动图像和所述采样参考图像进行扩边处理，得到所述输入浮动图像和所述输入参考图像。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：对所述输入浮动图像和所述输入参考图像进行去除床板处理，得到去除床板后的输入浮动图像和去除床板后的输入参考图像；对应地，所述将所述输入浮动图像和所述输入参考图像输入到所述图像配准模型中，得到初始配准参数，包括：将所述去除床板后的输入浮动图像和所述去除床板后的输入参考图像输入到所述图像配准模型中，得到所述初始配准参数。5.根据权利要求1所述的方法，其特征在于，所述图像配准模型的训练过程包括：获取样本浮动图像和样本参考图像；利用所述样本浮动图像和所述样本参考图像进行深度学习模型的训练，得到变换矩阵；根据预设尺寸、所述样本浮动图像和所述样本参考图像生成辅助浮动图像和辅助参考图像；根据所述变换矩阵对所述辅助浮动图像进行图像变换处理，得到变换后的辅助浮动图像；根据所述变换后的辅助浮动图像和所述辅助参考图像计算图像相似度损失值；根据所述样本浮动图像和所述样本参考图像中相对应的解剖关键点，计算平移量损失值；基于所述图像相似度损失值和所述平移量损失值对所述深度学习模型的模型参数进行调整，得到所述图像配准模型。
6.根据权利要求5所述的方法，其特征在于，所述深度学习模型包括刚性配准模型，所述利用所述样本浮动图像和所述样本参考图像进行深度学习模型的训练，得到变换矩阵，包括：将所述样本浮动图像和所述样本参考图像输入到所述刚性配准模型中，得到所述刚性配准模型输出的变换参数；对所述变换参数进行矩阵变换处理，得到所述变换矩阵。7.根据权利要求5所述的方法，其特征在于，所述深度学习模型包括仿射配准模型，所述利用所述样本浮动图像和所述样本参考图像进行深度学习模型的训练，得到变换矩阵，包括：将所述样本浮动图像和所述样本参考图像输入到所述仿射配准模型中，得到所述仿射配准模型输出的所述变换矩阵。8.根...

【专利技术属性】
技术研发人员：翁馨，
申请(专利权)人：上海联影医疗科技股份有限公司，
类型：发明
国别省市：