基于双流交叉网络的制造技术

本发明专利技术涉及基于双流交叉网络的

【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，使得配准速度比传统的配准方法快很多
。
[0004]因此，为了能够缩短配准时间，需要一种基于深度学习的
MRI
脑神经图像的形变配准系统
。
[0005]上述对
技术介绍
的陈述仅是为了方便对本专利技术技术方案
(
使用的技术手段
、
解决的技术问题以及产生的技术效果等方面
)
的深入理解，而不应当被视为承认或以任何形式暗示该消息构成已为本领域技术人员所公知的现有技术
。

技术实现思路

[0006]针对现有技术中存在的缺陷，本专利技术提出了一种基于双流交叉网络的
MRI
脑神经图像的形变配准系统，可以通过调用训练好的网络模型快速生成配准形变场，显著缩短配准时间
。
[0007]根据本专利技术的一个实施方案，提供了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
。
[0008]优选地，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
。
[0009]优选地，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：
[0010][0011]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
。
[0012]优选地，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
级解码器的特征图进行特征融合并输出新的特征图；其中，
n≤N
，
N
为整数
。
[0013]优选地，第1级编码器至第
N
级编码器分别包括步长为1的3×3×3卷积层和一个步长为2的3×3×3卷积层的卷积结构；第1级解码器至第
N
级解码器分别包括步长为1的3×3×3卷积层和一个步长为1的2×2×2转置卷积层的卷积结构
。
[0014]优选地，所述基于双流交叉网络的形变图像配准模型进一步包括多尺度注意力特征融合模块，所述多尺度注意力特征融合模块包括注意力特征融合模块；所述注意力特征融合模块设置在每个形变图像配准网络的解码器的各级之间，并且配置为对所在的形变图像配准网络的解码器的各级输出的两个特征图进行逐级或跨级融合处理
。
[0015]优选地，对解码器的各级输出的两个特征图信息进行逐级或跨级融合处理利用如下的特征融合等式来进行：
[0016][0017]其中，
X、Y
表示解码器的各级输出的任意两个特征图，
A
表示注意力机制，表示逐点相加，表示逐点相乘
。
[0018]优选地，所述多尺度注意力特征融合模块进一步包括上采样模块，所述上采样模块配置为通过上采样处理使得解码器的各级输出的两本文档来自技高网...

【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：