一种基于深度自校准的递进式三维生物医学图像配准方法技术

本发明专利技术涉及一种基于深度自校准的递进式三维生物医学图像配准方法，与现有技术相比解决了递归级联配准策略中存在的信息泄露问题以及one

【技术实现步骤摘要】
一种基于深度自校准的递进式三维生物医学图像配准方法


[0001]本专利技术涉及三维生物医学图像
，具体来说是一种基于深度自校准的递进式三维生物医学图像配准方法。

技术介绍

[0002]随着医学影像技术的发展，现代医学诊断离不开医学图像分析。为了分析疾病的状况或组织结构的变化，从不同位置和时期捕获的医学图像应该对齐到公共空间中，于是产生了医学图像配准技术，图像配准技术旨在两个或多个图像体素之间建立精确的非线性解剖对应关系。因此，它已被广泛用于各种临床任务，如医学图像融合、治疗计划和手术导航。
[0003]在过去的几十年里，研究者们提出了很多图像配准方法，大致可以分为传统方法和基于深度学习的方法。传统的方法，如NiftyReg、ANTs等，通过迭代地优化每对图像预定义的目标函数，同时促进配准映射的平滑性。然而，传统配准方法在实际应用中总是计算密集且耗时的，这些特性也导致其不具有临床实时应用特性。
[0004]随着深度学习在计算机视觉领域取得广泛应用，目前对于基于深度学习的生物医学图像配准算法的研究成为一个热门、有重要实践价值的方向。现如今基于深度学习的生物医学图像配准方法可以从是否需要标签来划分为监督学习与无监督学习。
[0005]然而医学图像的标注通常需要医学图像分析专家来完成，因此其标注成本太高，导致基于监督学习配准方法的训练受限，因此目前主流的研究都集中在无监督方法上。但是主流的无监督方法也存在缺陷，第一：基于深度学习的生物医学图像配准尽管处理速度快，但是在配准差异较大的图像对的精度上很难达到传统算法的水平，尽管现有多尺度的图像配准方法可以实现由粗到细的精炼形变场从而处理图像对之间的显著差异和空间中的大位移，但是这些方法如果在粗级别产生误差，则很可能无法在细级别中恢复，这个缺陷会随着尺度的增加而更加的严重。第二，大多数基于深度学习的one
‑
shot图像配准方法所用的Spatial Transformer Networks中都是用规则网格点去定义与表示形变场，而利用规则网格点表示形变场无法体现大脑的解剖信息，在损失函数中只能对位移场施加整体的平滑度约束，如果整体的平滑度约束施加过大，这会导致某些脑区无法配准，如果整体的平滑度约束施加过小，这会导致某些脑区配准过度扭曲，故对位移场的平滑约束与完成大形变是矛盾的。第三：现有的递归级联网络在进行网络训练时，形变插值待配准图像的次数与递归级联的次数相同，这逐渐的造成待配准图像信息的泄露。第四：由于生物医学图像数据集所含的数据量很小，因此容易导致训练出的网络过拟合，泛化能力不强，此时需要一种数据增广的手段来增广数据集，以更好的训练网络。从而实现更好的三维生物医学图像配准效果已经成为急需解决的技术问题。

技术实现思路

[0006]本专利技术的目的是为了解决递归级联配准策略中存在的信息泄露问题以及one
‑
shot配准策略中对位移场的平滑约束导致配准精度受限的缺陷，提供一种基于深度自校准的递进式三维生物医学图像配准方法来解决上述问题。
[0007]为了实现上述目的，本专利技术的技术方案如下：
[0008]一种基于深度自校准的递进式三维生物医学图像配准方法，包括以下步骤：
[0009]11)三维生物医学图像数据集的获取和预处理：获取单模态三维生物医学图像数据集，将其所有图像的尺寸采样到相同大小、像素值归一化到0
‑
255，并将所有图像仿射预配准到同一个脑模板上，作为三维生物医学图像训练集；
[0010]12)配准模型的构建：利用python语言分别搭建低尺度卷积神经网络与原尺度卷积神经网络并将二者建立级联作为配准模型，设定低尺度卷积神经网络与原尺度卷积神经网络的损失函数；
[0011]13)配准模型的训练：设定配准模型训练的迭代次数以及分别设定低尺度卷积神经网络与原尺度卷积神经网络的递归次数，利用三维生物医学图像训练集对配准模型进行训练；
[0012]14)待配准图像与模板图像的获取与预处理：获取单模态三维生物医学待配准图像与模板图像，并进行预处理；
[0013]15)三维生物医学图像配准结果的获得：将预处理后的待配准图像对输入训练后的配准模型，得到配准后的结果。
[0014]所述配准模型的构建包括以下步骤：
[0015]21)设定构建的配准模型为低尺度卷积神经网络与原尺度卷积神经网络的级联；
[0016]22)设定配准模型的低尺度卷积神经网络为类U
‑
Net架构，其由编码器与解码器组成，低尺度卷积神经网络的输入是大小为(d/2,w/2,h/2)的目标图像与待配准图像；
[0017]23)设定配准模型的原尺度卷积神经网络为类U
‑
Net架构，其由编码器与解码器组成，原尺度卷积神经网络的输入是大小为(d,w,h)的目标图像与待配准图像；
[0018]24)设定低尺度配准网络模型与原尺度卷积神经网络的输出都为三个与相应输入图像相同大小与维度的位移场，此位移场表示由待配准图像到目标图像的变换关系，具体为配准结果图像上相应坐标点对应移动图像上某点的x方向、y方向、z方向的位移；
[0019]25)设定低尺度配准网络模型与原尺度卷积神经网络的损失函数都为配准结果与目标图像的相似性损失L
sim
和卷积神经网络输出位移场的平滑度约束损失L
smooth
，单次递归的总损失函数为L＝L
sim
+λ*L
smooth
，其中λ为平衡两个分损失函数在总损失函数中占比的权重系数。
[0020]所述配准模型的训练包括以下步骤：
[0021]31)设定模型训练的迭代次数为N_iter，即每次迭代都从三维生物医学图像训练集中随机选取两张图像作为待配准图像与目标图像输入到配准模型中进行训练；
[0022]32)设定低尺度训练递归的次数为N_low，N_low>＝0，原尺度训练递归的次数为N_original、N_original>＝0；
[0023]33)低尺度网络第一次递归：将待配准图像、目标图像下采样两倍后进行级联输入低尺度卷积神经网络，得到第一次输出的位移场，并保存第一次输出的位移场；
[0024]34)低尺度网络第二次递归，假设设定的N_low>1：将第一次的配准结果作为新的待配准图像与原目标图像再次级联输入到低尺度卷积神经网络中，得到第二次输出的位移
场，保存第二次输出的位移场；
[0025]35)利用位移场整合方法，将保存卷积神经网络模型第二次输出的位移场与第一次输出的位移场整合为一个总位移场，利用总位移场将原始待配准图像经过一次形变插值操作得到第二次递归的配准结果，将此配准结果作为新的待配准图像再次与目标图像级联输入卷积神经网络进行优化；若设定的N_low>2，则在递归二次的基础上重复34)
‑
35)步骤，即将本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度自校准的递进式三维生物医学图像配准方法，其特征在于，包括以下步骤：11)三维生物医学图像数据集的获取和预处理：获取单模态三维生物医学图像数据集，将其所有图像的尺寸采样到相同大小、像素值归一化到0
‑
255，并将所有图像仿射预配准到同一个脑模板上，作为三维生物医学图像训练集；12)配准模型的构建：利用python语言分别搭建低尺度卷积神经网络与原尺度卷积神经网络并将二者建立级联作为配准模型，设定低尺度卷积神经网络与原尺度卷积神经网络的损失函数；13)配准模型的训练：设定配准模型训练的迭代次数以及分别设定低尺度卷积神经网络与原尺度卷积神经网络的递归次数，利用三维生物医学图像训练集对配准模型进行训练；14)待配准图像与模板图像的获取与预处理：获取单模态三维生物医学待配准图像与模板图像，并进行预处理；15)三维生物医学图像配准结果的获得：将预处理后的待配准图像对输入训练后的配准模型，得到配准后的结果。2.根据权利要求1所述的一种基于深度自校准的递进式三维生物医学图像配准方法，其特征在于，所述配准模型的构建包括以下步骤：21)设定构建的配准模型为低尺度卷积神经网络与原尺度卷积神经网络的级联；22)设定配准模型的低尺度卷积神经网络为类U
‑
Net架构，其由编码器与解码器组成，低尺度卷积神经网络的输入是大小为(d/2,w/2,h/2)的目标图像与待配准图像；23)设定配准模型的原尺度卷积神经网络为类U
‑
Net架构，其由编码器与解码器组成，原尺度卷积神经网络的输入是大小为(d,w,h)的目标图像与待配准图像；24)设定低尺度配准网络模型与原尺度卷积神经网络的输出都为三个与相应输入图像相同大小与维度的位移场，此位移场表示由待配准图像到目标图像的变换关系，具体为配准结果图像上相应坐标点对应移动图像上某点的x方向、y方向、z方向的位移；25)设定低尺度配准网络模型与原尺度卷积神经网络的损失函数都为配准结果与目标图像的相似性损失L
sim
和卷积神经网络输出位移场的平滑度约束损失L
smooth
，单次递归的总损失函数为L＝L
sim
+λ*L
smooth
，其中λ为平衡两个分损失函数在总损失函数中占比的权重系数。3.根据权利要求1所述的一种基于深度自校准的递进式三维生物医学图像配准方法，其特征在于，所述配准模型的训练包括以下步骤：31)设定模型训练的迭代次数为N_iter，即每次迭代都从三维生物医学图像训练集中随机选取两张图像作为待配准图像与目标图像输入到配准模型中进行训练；32)设定低尺度训练递归的次数为N_low，N_low>＝0，原尺度训练递归的次数为N_original、N_original>＝0；33)低尺度网络第一次递归：将待配准图像、目标图像下采样两倍后进行级联输入低尺度卷积神经网络，得到第一次输出的位移场，并保存第一次输出的位移场；34)低尺度网络第二次递归，假设设定的N_low>1：将第一次的配准结果作为新的待配准图像与原目标图像再次级联输入到低尺度卷积神经网络中，得到第二次输出的位移场，
保存第二次输出的位移场；35)利用位移场整合方法，将保存卷积神经网络模型第二次输出的位移场与第一次输出的位移场整合为一个总位移场，利用总位移场将原始待配准图像经过一次形变插值操作得到第二次递归的配准结果，将此配准结果作为新的待配准图像再次与目标图像级联输入卷积神经网络进行优化；若设定的N_low>2，则在递归二次的基础上重复34)
‑
35)步骤，即将每次递归输出的位移场与之前输出的位移场进行整合通过一次形变插值得到本次的配准结果，直...

【专利技术属性】
技术研发人员：屈磊，孙锐，吴军，苗永春，韩婷婷，李圆圆，
申请(专利权)人：安徽大学，
类型：发明
国别省市：