【技术实现步骤摘要】
基于双流交叉网络的MRI脑神经图像的形变配准系统
[0001]本专利技术涉及医疗图像的处理的
,尤其涉及基于双流交叉网络的
MRI
脑神经图像的形变配准系统
。
技术介绍
[0002]磁共振成像技术
(Magnetic Resonance Imaging
,
MRI)
是
20
世纪
80
年代发展起来的一项技术,已经成为观察和评估大脑结构的成像金标准,特别是高场
(3T
以上
)
三维
T1
加权图像不仅提供了清晰的大脑灰质和白质结构图像,而且还能够检测到小至
0.67mm
的脑神经解剖结构
。
通过脑图谱标签或者脑神经结构分割结果进行定量计算,可以产生可靠的测量结果
。
通过
MRI
脑神经图像的配准,即通过一系列的空间变换使两幅
MRI
脑神经图像达到空间位置匹配的过程,可以客观地记录从疾病潜伏期到发作期整个过程中患者疾病的变化
。
[0003]目前,
MRI
脑神经图像的配准方法主要分为传统配准方法和基于深度学习的配准方法
。
传统的配准方法需要针对每对图像进行迭代优化,因此存在计算量大
、
耗时等问题
。
基于深度学习的配准方法是指通过大量的数据来训练一个模型,然后用这个训练好的模型将一对新的图像进行配准,使得 ...
【技术保护点】
【技术特征摘要】
1.
一种基于双流交叉网络的
MRI
脑神经图像的形变配准系统,其特征在于包括以下模块:获取模块,其配置为获取
MRI
脑神经图像数据集;训练模块,其配置为将
MRI
脑神经图像数据集输入到基于双流交叉网络的形变图像配准模型,获得正向配准的形变场和反向配准的形变场,将获得的正向配准的形变场和反向配准的形变场变换通过空间变换网络,利用最近邻插值方式,生成正向配准图像和反向配准图像;输出模块,其配置为利用训练模块中学习到的形变图像配准模型,输出待进行形变配准的两个
MRI
脑神经图像的正向配准图像和反向配准图像;其中,所述基于双流交叉网络的形变图像配准模型包括结构相同的两个形变图像配准网络,两个形变图像配准网络分别输入
MRI
脑神经图像数据集中的第一
MRI
脑神经图像数据样本和第二
MRI
脑神经图像数据样本;两个形变图像配准网络分别包括一个编码器和一个解码器;两个形变图像配准网络的解码器交叉连接
。2.
根据权利要求1所述的基于双流交叉网络的
MRI
脑神经图像的形变配准系统,其特征在于,每个形变图像配准网络以编码
‑
解码的
3D U
‑
Net
框架作为骨干网络,并且每个形变图像配准网络的编码器的级数与解码器的级数相等;每个形变图像配准网络的编码器与解码器之间跳跃连接,并且一个形变图像配准网络的解码器的各级与另一个形变图像配准网络的解码器的对应级交叉连接;每个形变图像配准网络的解码器的各级之间设置有注意力机制模块;两个形变图像配准网络的编码器之间共享权重
。3.
根据权利要求1所述的基于双流交叉网络的
MRI
脑神经图像的形变配准系统,其特征在于,训练基于双流交叉网络的形变图像配准模型基于使以下的损失函数最小化来获得最优模型:其中,
X、Y
表示第一
MRI
脑神经图像数据样本和第二
MRI
脑神经图像数据样本,表示形变采样操作,表示由
X
向
Y
进行配准得到的形变场,表示由
Y
向
X
进行配准得到的形变场,超参数
λ
表示用来平衡相似性度量和平滑正则项的参数
。4.
根据权利要求2所述的基于双流交叉网络的
MRI
脑神经图像的形变配准系统,其特征在于,每个形变图像配准网络的编码器包括第1级编码器至第
N
级编码器,并且逐级输出尺寸减小的特征图;每个形变图像配准网络的解码器包括第1级解码器至第
N
级解码器,并且第
n
级解码器与第
(N
‑
n+1)
级编码器跳跃连接,第
n
级解码器配置为接收来自第
(N
‑
n+1)
级编码器的特征图并且进行特征提取,生成第
n
级解码器的特征图并与另一个形变图像配准网络的第
n
级解码器所生成的第
n
级解码器的特征图进行交换,将接收到的第
(N
‑
n+1)
级编码器的特征图和进行交换后得到的另一个形变图像配准网络的第
n
...
【专利技术属性】
技术研发人员:张唯唯,李振宇,
申请(专利权)人:中国医学科学院基础医学研究所,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。