一种基于无监督学习方法的三维图像配准方法及系统技术方案

本发明专利技术公开了一种基于无监督学习方法的三维图像配准方法及系统，其中该方法包括：获取三维医学图像；将图像进行下采样，得到下采样后的图像；将下采样后的固定图像与待配准图像输入至级联配准子网络，利用级联配准子网络将两幅图像中的位移偏差的部分进行对齐；将级联配准子网络输出的图像输入至全连接层，将图像特征进行整合；将全连接层输出的图像带入至LOSS函数，并将函数输出结果相加求和，利用求和数值衡量算法网络的优化程度，如果求和数值达到预设阈值，停止训练并得到训练完成的图像配准网络结构，如果未达到，调整参数对算法网络进行迭代训练；将需要配准的三维图像输入至图像配准网络结构，得到已配准的三维图像。得到已配准的三维图像。得到已配准的三维图像。

【技术实现步骤摘要】
一种基于无监督学习方法的三维图像配准方法及系统


[0001]本专利技术涉及图像处理
，尤指一种基于无监督学习方法的三维图像配准方法及系统。

技术介绍

[0002]三维医学图像配准在临床上具有重要意义。图像配准是通过寻找图像之间的空间对应关系，将图像映射到同一坐标系的过程。它在医学图像处理中有着广泛的应用，如，将一个主体在不同时间拍摄的图像对齐；又如，将一个被摄体的图像与一些预定义的坐标系相匹配。如今广泛使用的图像配准是基于监督学习的，例如，FlowNet 2.0、VoxelMorph，但是，该些方法需要大量准确的人工标注。
[0003]FlowNet 2.0：该方法使用两条独立的配准线，然后再将其结果融合到最终估算里面，该方法的操作流程复杂且容易引入一些外界干扰，从而导致结果变差。VoxelMorph：该方法是基于监督学习方法，所以在数据集制作时候需要大量的人工标注工作，而且在标注过程中容易产生标注误差影响算法效果。
[0004]由于三维医学图像的ground truth非常难以获得，这些标签的质量直接影响到监督的结果，在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无监督学习方法的三维图像配准方法，其特征在于，该方法包括：图像采集：获取三维医学图像，其中包括一幅固定图像及一幅待配准图像；算法网络训练：将所述图像进行下采样，得到下采样后的图像；将下采样后的固定图像与待配准图像输入至级联配准子网络，利用所述级联配准子网络将两幅图像中的位移偏差的部分进行对齐；将级联配准子网络输出的图像输入至全连接层，将图像特征进行整合；将全连接层输出的图像带入至LOSS函数，并将函数输出结果相加求和，利用求和数值衡量算法网络的优化程度，如果所述求和数值达到预设阈值，停止训练并得到训练完成的图像配准网络结构，如果所述求和数值未达到预设阈值，调整参数对算法网络进行迭代训练；图像配准：将需要配准的三维图像输入至图像配准网络结构，得到已配准的三维图像。2.根据权利要求1所述的基于无监督学习方法的三维图像配准方法，其特征在于，所述图像采集包括：获取两幅第一尺寸的三维医学图像，其中一幅为固定图像，一幅为待配准图像。3.根据权利要求2所述的基于无监督学习方法的三维图像配准方法，其特征在于，所述算法网络为无监督的端到端的配准网络，由级联配准子网络和多个CNN中的卷积层组成；其中，在每个级联配准子网络之后，移动图像会被扭曲；在进行算法网络的迭代训练时，由固定图像和每个翘曲图像之间的异质性结合子网络预测流量的正则化损失值进行引导。4.根据权利要求3所述的基于无监督学习方法的三维图像配准方法，其特征在于，将两幅图像进行下采样，得到下采样后的图像，包括：将所述两幅第一尺寸的三维医学图像输入至算法网络的第一卷积层进行下采样，得到第二尺寸的图像；将所述第二尺寸的图像输入至算法网络的第二卷积层进行下采样，得到第三尺寸的图像；其中，所述第二卷积层采用Affine子网络。5.根据权利要求4所述的基于无监督学习方法的三维图像配准方法，其特征在于，所述级联配准子网络为4个。6.根据权利要求5所述的基于无监督学习方法的三维图像配准方法，其特征在于，所述LOSS函数包括相关系数损失、正交性损失、决定性损失及总变异损失；其中，在相关系数损失中，两幅图像之间的协方差定义为：其中，Cov[I1,I2]为图像的协方差，I1、I2分别为两幅图像的图像数据，x为Ω中的横轴坐标，y为Ω中的纵轴坐标，Ω为定义输入图像的立方体；相关系数定义为：其中，CorrCoef[I1,I2]为相关系数；相关系数损失定义为：
L
corr
(I1,I2)＝1
‑
CorrCoef[I1,I2]其中，L<...

【专利技术属性】
技术研发人员：巫彤宁，朱文文，李从胜，杨蕾，
申请(专利权)人：中国信息通信研究院，
类型：发明
国别省市：