医学图像配准训练及使用方法、系统及装置制造方法及图纸

本发明专利技术公开了一种医学图像配准训练及使用方法、系统及装置，所述方法包括：S1、获取医学图像；S2、将所述医学图像送入卷积神经网络训练得到医学图像配准模型；S3、输出训练完成的医学图像配准模型。S31、获取医学浮动图像和医学固定图像；S32、将所述医学浮动图像和医学固定图像输入基于卷积神经网络的医学图像配准模型，从医学图像配准模型输出医学配准图像。本发明专利技术实现了医学图像配准的训练和使用，提升医学影像配准的实时性和准确性。提升医学影像配准的实时性和准确性。提升医学影像配准的实时性和准确性。

【技术实现步骤摘要】
医学图像配准训练及使用方法、系统及装置


[0001]本专利技术涉及医学图像配准领域，尤其是涉及一种医学图像配准训练及使用方法、系统及装置。

技术介绍

[0002]近年来随着技术的发展，磁共振图像(MRI)成为颅内各类疾病的主要影像检查技术，利用MRI图像能够更敏感地发现病变并显示病变特征，有利于疾病的检出和准确诊断。MRI影像检查具有成像序列多样的特点，不同模态的成像序列能够反映不同的组织解剖形态，从而充分能够反映人体血流和细胞代谢等生理功能信息。根据扫描方式的不同，MRI影像可以分为T1加权成像，T2加权成像，血管造影成像，以及动态增强成像等多种模态。
[0003]在临床医学中，由于临床诊断的需要，医生往往需要将同一病人在不同时间或是不同模态下的医学影像进行分析比较，以提高医学诊断的效率与准确性。这种多模式影像信息的综合利用被称为医学影像信息融合。而对多张图像进行定量分析，首先需要解决的就是图像间严格对齐的问题，也就是图像配准问题。由于医学影像获取的条件或成像设备之间的差异，不同时间或不同成像设备获取的图像往往存在形变或噪声等差异，这本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的医学图像配准训练方法，其特征在于，包括:S1、获取医学图像；S2、将所述医学图像送入卷积神经网络训练得到医学图像配准模型；S3、输出训练完成的医学图像配准模型。2.根据权利要求1所述的方法，其特征在于，所述S2具体包括：S11、将所述医学图像的同一病人不同模态序列分别作为浮动图像和固定图像送入卷积神经网络入口；S12、进入卷积神经网络入口后，将所述浮动图像和固定图像分别都送入下采样网络和刚性变换参数预测层得到刚性变换参数；S13、将所述浮动图像和刚性变换参数送入空间变换网络得到初步对齐图像；S14、计算初步对齐图像和固定图像的互信息量，根据互信息量计算损失函数，并计算梯度；S15、更新下采样网络和刚性变换参数预测层的卷积神经网络参数；S16、重复S11到S15的步骤，直到所述梯度不再下降，冻结下采样卷积神经网络参数；S17、将梯度不再下降的初步对齐图形和固定图像两两一组送入卷积神经网络入口；S18、进入卷积神经网络入口后，将梯度不再下降的初步对齐图形和固定图像通过下采样网络和上采样网络后得到非刚性配准形变场；S19、将初步对齐图像和非刚性配准形变场送入空间变换网络得到最终配准图像，再根据配准图像和固定图像计算损失函数和梯度；S20、更新上采样卷积神经网络参数；S21、重复S17到S20直至梯度不再下降，完成医学图像配准模型训练。3.一种基于卷积神经网络的医学图像配准使用方法，其特征在于，使用如权利要求1到2所述的医学图像配准模型，包括:S31、获取医学浮动图像和医学固定图像；S32、将所述医学浮动图像和医学固定图像输入基于卷积神经网络的医学图像配准模型，从医学图像配准模型输出医学配准图像。4.根据权利要求3所述的方法，其特征在于，所述S32具体包括：将医学浮动图像和医学固定图像输入医...

【专利技术属性】
技术研发人员：张成奋，徐枫，郭雨晨，杨东，
申请(专利权)人：杭州涿溪脑与智能研究所，
类型：发明
国别省市：