【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种基于transformer和convnet融合模型的无监督mri图像配准算法及系统。
技术介绍
1、可变形图像配准是许多医学成像分析任务的基本过程，其目的是在一对固定图像和运动图像之间获得密集的非线性空间对应关系，以最小化差异，这对于临床诊断和外科治疗至关重要。传统的图像配准方法都试图通过直观的显式特征匹配来最大化图像对之间的图像相似性。然而，这些方法求解每个新图像对的过程繁琐，因此导致计算成本高且耗时大。
2、基于深度学习的模型，特别是卷积神经网络，在医学图像分析领域的任务中表现出了优异的性能。为了解决传统方法耗时的问题，在图像配准领域引入了基于convnet的模型。基于convnet的模型在训练阶段使用单个全局函数优化方法，并学习图像配准的通用表示，有助于在训练后快速对齐看不见的图像对，并提高配准性能。由于卷积运算固有的局部性质，基于convnet的架构在显式建模图像中的长程空间关系时通常面临限制，导致空间信息的提取不完整。
技术实现思路
1、本专利技术的目的在于提供一种基于transformer和convnet融合模型的无监督mri图像配准算法及系统，可以提高配准图像的精准性。
2、为了实现上述目的，本专利技术提供了以下技术方案：
3、第一方面，本专利技术提供了一种基于transformer和convnet融合模型的无监督mri图像配准算法，包括以下步骤：
4、s1，将mri图像进行预处理；<...
【技术保护点】
1.一种基于Transformer和ConvNet融合模型的无监督MRI图像配准算法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于Transformer和ConvNet融合模型的无监督MRI图像配准算法，其特征在于，所述S1包括以下步骤：
3.根据权利要求1所述的基于Transformer和ConvNet融合模型的无监督MRI图像配准算法，其特征在于，所述S2中的融合模型通过以下步骤训练得到：
4.根据权利要求3所述的基于Transformer和ConvNet融合模型的无监督MRI图像配准算法，其特征在于，所述Transformer子网络包括4个阶段，第一个阶段进行4倍下采样，后面3个阶段均进行2倍下采样。
5.根据权利要求4所述的基于Transformer和ConvNet融合模型的无监督MRI图像配准算法，其特征在于，所述ConvNet子网络包括5个阶段，每个阶段均进行2倍下采样。
6.根据权利要求5所述的基于Transformer和ConvNet融合模型的无监督MRI图像配准算法，其特征在于，所述S23中
7.一种基于Transformer和ConvNet融合模型的无监督MRI图像配准系统，其特征在于，包括：
8.一种计算机程序产品，包括计算机可读指令，其特征在于，所述计算机可读指令在被处理器执行时实现权利要求1-6任一项所述无监督MRI图像配准算法中的步骤。
9.一种包括计算机可读指令的计算机可读存储介质，其特征在于，所述计算机可读指令在被处理器执行时实现权利要求1-6任一项所述无监督MRI图像配准算法中的步骤。
10.一种电子设备，其特征在于，包括：存储器，存储程序指令；处理器，与所述存储器相连接，执行存储器中的程序指令，实现权利要求1-6任一项所述无监督MRI图像配准算法中的步骤。
...【技术特征摘要】
1.一种基于transformer和convnet融合模型的无监督mri图像配准算法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于transformer和convnet融合模型的无监督mri图像配准算法，其特征在于，所述s1包括以下步骤：
3.根据权利要求1所述的基于transformer和convnet融合模型的无监督mri图像配准算法，其特征在于，所述s2中的融合模型通过以下步骤训练得到：
4.根据权利要求3所述的基于transformer和convnet融合模型的无监督mri图像配准算法，其特征在于，所述transformer子网络包括4个阶段，第一个阶段进行4倍下采样，后面3个阶段均进行2倍下采样。
5.根据权利要求4所述的基于transformer和convnet融合模型的无监督mri图像配准算法，其特征在于，所述convnet子网络包括5个阶段，每个阶段均进行2倍下采样。
6.根据权利要求5所述的基于transfor...
【专利技术属性】
技术研发人员：张雨，倪泽昊，黄梦醒，刘娜娜，毋媛媛，冯文龙，
申请(专利权)人：海南大学，
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。