基于形变场融合的可变形医学图像配准方法技术

本发明专利技术公开一种基于形变场融合的可变形医学图像配准方法，将预处理的待配准图像和参考图像输入到双流配准网络，双流配准网络设有两个架构相同但损失函数不同的分支网络，得到两个不同的形变场，通过形变场融合模块将这两个形变场融合，形变场融合模块分别对两个形变场进行最大池化和平均池化，并将得到的特征经过卷积层进行特征提取后，再由卷积层降维得到最终的形变场；最终根据形变场对待配准的图像进行配准，得到配准后的图像。本发明专利技术通过形变场融合模块有效地结合不同的形变场，充分利用不同形变场的优势来描述不同类型的形变，其双流配准网络的相似性损失函数能够描述参考图像和待配准图像之间的相互依赖的上下文变化，提高配准精度。提高配准精度。提高配准精度。

【技术实现步骤摘要】
基于形变场融合的可变形医学图像配准方法


[0001]本专利技术涉及计算机视觉和图像处理技术，具体涉及一种基于形变场融合的可变形医学图像配准方法。

技术介绍

[0002]医学图像配准旨在寻找将待配准的图像(moving image)映射到参考图像(fixed image)的非线性空间变换（即形变场），来使待配准的图像与参考图像的对应点一一对齐。传统的医学图像配准方法，如Demons、Large Diffeomorphic Distance Metric Mapping (LDDMM)、SymmetricNormalization (SyN)。这些传统方法主要存在以下问题：（a）这些方法将医学图像配准问题视为点对点匹配问题，本质上是一个高维优化问题，即采用迭代优化，进行繁琐的参数调优，计算复杂且耗时较长。（b）这些优化问题往往陷入局部最优解，这在很大程度上影响了最终的配准效果，同时也不利于临床的应用。
[0003]近年来，随着深度学习技术的快速发展，计算机视觉领域已广泛采用这一技术。在此背景下，研究者开始探索将深度学习应用于医学图像配准问题本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于形变场融合的可变形医学图像配准方法，其特征在于，包括以下步骤步骤1、获取采集的待配准图像和参考图像，并对待配准图像和参考图像进行预处理；步骤2、将步骤1预处理所得待配准图像和参考图像输入到双流配准网络，该双流配准网络设有两个架构相同但损失函数不同的分支网络，待配准图像和参考图像经配准网络第一分支网络处理得到形变场，待配准图像和参考图像经配准网络第二分支网络处理得到形变场；其中，第一分支网络和第二分支网络均包括一对编码器和解码器，编码器对图像进行四个阶段的下采样，进而生成四种不同尺度和分辨率的特征图；解码器包含四个阶段的上采样，每一阶段将该层对应的特征图与编码器对应尺度的特征图进行拼接，并对拼接后的特征图进行上采样；最后经由两个连续的卷积层输出对应形变场；其中，第一分支网络的损失函数采用MSE相似性损失函数，第二分支网络的损失函数采用对比度
‑
结构相似性损失函数；对比度
‑
结构相似性损失函数两幅图像的局部区域的对比度相似度和结构相似度，当两幅图像相似程度越高时，对比度
‑
结构相似性损失函数越趋近于1；否则越趋近于0；步骤3、通过形变场融合模块将配准网络输出的形变场和进行融合，形变场融合模块分别对两个形变场进行最大池化和平均池化，并将得到的特征经过卷积层进行特征提取后，最后输入到卷积核大小1
ꢀ×ꢀ1ꢀ×ꢀ
1的卷积层进行降维，得到最终的形变场；步骤4、根据形变场对待配准的图像进行配准，得到配准后的图像。2.根据权利要求1所述的基于形变场融合的可变形医学图像配准方法，其特征在于，所述步骤1对待配准图像和参考图像进行预处理的操作包括裁剪、归一化，具体方法为：使用Freesurfer进行仿射空间归一化，并将图像裁剪为相同尺寸，使用FMRIB's Software Library软件库进行仿射配准。3.根据权利要求1所述的基于形变场融合的可变形医学图像配准方法，其特征在于，所述编码器和解码器的具体网络结构如下：编码器中包括四个下采样阶段，每个下采用阶段包括一个卷积核大小为3
ꢀ×ꢀ3ꢀ×ꢀ
3的卷积计算过程、一个参数为0.2的LeakyReLU激活计算过程和一个步长为2的最大池化计算过程；如果原始输入图像为，则四个下采样阶段产生四个不同尺度和分辨率的特征图大小分...

【专利技术属性】
技术研发人员：赵海峰，张驰，刘德银，曹明伟，付燕平，张少杰，
申请(专利权)人：安徽大学，
类型：发明
国别省市：