一种基于符号距离函数协同分割的跨模态医学图像配准方法技术

本发明专利技术涉及一种基于符号距离函数协同分割的跨模态医学图像配准方法，包括：将跨模态生物医学图像分为浮动图像和固定图像；预估固定图像的符号距离场；得到训练后的分割模型；进行Voxel

【技术实现步骤摘要】
一种基于符号距离函数协同分割的跨模态医学图像配准方法


[0001]本专利技术涉及图像分割和图像配准
，尤其是一种基于符号距离函数协同分割的跨模态医学图像配准方法。

技术介绍

[0002]图像配准和图像分割是医学领域的两个基本任务，广泛应用于如脑图谱构建、疾病诊断、手术引导的医疗场景中。图像分割和图像配准是两个独立课题，但是在生物医学领域中，分割和配准在本质上是互补的，既可以基于配准实现分割，也可以基于分割实现配准。
[0003]随着高分辨率光学显微镜的发展，高通量高分辨率成像技术产生了大量的不同模态的鼠脑图像，例如荧光显微光学切片断层成像(FMOST)、同步快速扫描和读出的体积成像(VISOR)和串行双光子断层成像(STPT)等。对这些不同成像模态的生物医学图像进行跨模态图像配准可以使得他们在统一的坐标空间下进行比较、分析和可视化。近些年，深度学习给图像配准技术带来了精度和速度上的提升。然而生物医学领域的数据难以获取，同时数据的标注耗时耗力且需要专家知识，数据量通常以百为量级。基于深度学习的无监督配准方法突破了数据标签的限制，然而本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于符号距离函数协同分割的跨模态医学图像配准方法，其特征在于：该方法包括下列顺序的步骤：(1)获取跨模态生物医学图像数据及分割标签，并将跨模态生物医学图像分为浮动图像和固定图像；(2)用固定图像构建重构模型，并进行模型训练，使用训练的重构模型预估固定图像的符号距离场；(3)使用预估的固定图像符号距离场作为分割模型的输入，并进行分割模型训练，得到训练后的分割模型；(4)通过浮动图像的分割标签计算其真实的符号距离场，使用预估的固定图像符号距离场和计算的浮动图像真实符号距离场作为Voxel
‑
Morph配准模型的输入，进行Voxel
‑
Morph配准模型的训练，Voxel
‑
Morph配准模型由图像相似性约束和形变场正则化构建代价函数来驱动配准模型训练；使用训练后的分割模型为Voxel
‑
Morph配准模型生成分割标签，使用该分割标签来辅助Voxel
‑
Morph配准模型的训练；(5)重复步骤(2)到步骤(4)，直到重构模型、分割模型和配准模型收敛；(6)将待配准固定图像输入到收敛后的重构模型中预估符号距离场，通过待配准浮动图像的分割标签计算其真实的符号距离场，然后将预估符号距离场和计算的待配准浮动图像的真实符号距离场输入收敛后的Voxel
‑
Morph配准模型中生成配准后的浮动图像。2.根据权利要求1所述的基于符号距离函数协同分割的跨模态医学图像配准方法，其特征在于：所述步骤(1)具体是指：获取两种不同模态的生物医学图像数据集，包括X模态生物医学图像数据和Y模态生物医学图像数据，其中，Y模态生物医学图像为一张标准的3D脑均值图谱，称为浮动图像；X模态的生物医学图像为固定图像。3.根据权利要求1所述的基于符号距离函数协同分割的跨模态医学图像配准方法，其特征在于：所述步骤(2)中的重构模型基于3D Unet卷积神经网络构建，包含编码路径和解码路径，每个路径有四个分辨率阶段，所述编码路径包括两个卷积核大小为3
×3×
3的卷积层，每个卷积层均后接Group BN层和ReLU层，下采样通过Maxpooling实现；解码路径的每一层包括一个卷积核大小为3
×3×
3的反卷积层，每个反卷积层均后接Group BN层和ReLU层，通过跳跃连接，将编码路径中相同分辨率的层传递到解码路径，为解码路径提供高分辨率特征；使用重构模型预估符号距离场，具体包括以下步骤：(2a)将重构模型的训练看作一个回归问题，首先需要固定图像的真实符号距离场作为标签来约束模型的训练，真实符号距离场的计算公式如下所...

【专利技术属性】
技术研发人员：韩婷婷，屈磊，李圆圆，吴军，黄志祥，赵靖雨，
申请(专利权)人：合肥综合性国家科学中心人工智能研究院安徽省人工智能实验室，
类型：发明
国别省市：