一种跨模态可变形医学影像配准方法及系统技术方案

本发明专利技术公开了一种跨模态可变形医学影像配准方法及系统，涉及医用图像处理技术领域，具体步骤为：构建数据集，数据集包括医学影像对；将任一医学影像对输入特征提取器，分别提取影像特征，并进行拼接；将拼接特征输入配准网络，利用Mamba模块对拼接特征进行全局特征学习，利用三维卷积模块对拼接特征进行局部特征学习；基于数据集利用目标损失函数对初始配准模型进行迭代训练，获得配准模型；获取一组待配准影像对，将待配准影像对输入配准模型获得形变场φ，根据形变场φ获得配准影像和配准标签。本发明专利技术引入细粒度且简单的特征提取器和Mamba模块，使用监督对比损失训练模型，能够在计算开销小、模型简单的情况下有效提升配准精度。

【技术实现步骤摘要】

本专利技术涉及医用图像处理，更具体的说是涉及一种跨模态可变形医学影像配准方法及系统。

技术介绍

1、可变形医学影像配准是一种在医学成像中用于对不同时间、传感器或视角下的图像进行空间对齐的过程。与仅考虑旋转和平移的刚性配准不同，可变形配准能够实现像素级的配准，例如校正随病情变化或是手术介入所导致的组织形变。

2、宏观来说，现有技术中的可变形医学影像配准方法主要分为两大类：迭代方法和深度学习方法。基于迭代的配准方法针对给定的固定影像和移动影像，通过不断迭代计算获得最优的形变场。这一类方法出现较早，具有配准精度高但推理时间长的特点。每次给定不同的固定影像和移动影像，此类方法都需要长时间迭代计算获得形变场。迭代计算往往需要数个小时，不符合实际应用中即时性的需求。基于深度学习的配准方法首先需要大量数据训练神经网络，在推理阶段利用训练好的神经网络预测形变场。一旦训练好，神经网络便可在推理阶段实现快速推理，配准时间一般为几秒及以内。但是，这一类方法对神经网络的性能提出了较高要求，如果神经网络的框架不合理，那么会极大地制约配准精度的提升。当前基于深度学习的配准本文档来自技高网...

【技术保护点】

1.一种跨模态可变形医学影像配准方法，其特征在于，包括：

2.根据权利要求1所述的一种跨模态可变形医学影像配准方法，其特征在于，所述特征提取器采用UNet结构，所述UNet结构包括四个所述三维卷积模块构成的两个影像特征提取通道，第一三维卷积模块和第四三维卷积模块构成第一影像特征提取通道；所述第一三维卷积模块、第二三维卷积模块、第三三维卷积模块、所述第四三维卷积模块依次连接，且在所述第一三维卷积模块、所述第二三维卷积模块之间添加下采样，在所述第三三维卷积模块、所述第四三维卷积模块之间添加上采样构成第二影像特征提取通道。

3.根据权利要求1或2所述的一种跨模态可变形医...

【技术特征摘要】

1.一种跨模态可变形医学影像配准方法，其特征在于，包括：

2.根据权利要求1所述的一种跨模态可变形医学影像配准方法，其特征在于，所述特征提取器采用unet结构，所述unet结构包括四个所述三维卷积模块构成的两个影像特征提取通道，第一三维卷积模块和第四三维卷积模块构成第一影像特征提取通道；所述第一三维卷积模块、第二三维卷积模块、第三三维卷积模块、所述第四三维卷积模块依次连接，且在所述第一三维卷积模块、所述第二三维卷积模块之间添加下采样，在所述第三三维卷积模块、所述第四三维卷积模块之间添加上采样构成第二影像特征提取通道。

3.根据权利要求1或2所述的一种跨模态可变形医学影像配准方法，其特征在于，所述配准网络包括水平处理通道、u形处理通道和积分层，所述水平处理通道采用所述三维卷积模块构建，用于对所述几何特征拼接影像进行原尺寸、半尺寸的影像特征提取；所述u形处理通道采用所述mamba模块和所述三维卷积模块构建，用于对所述几何特征拼接影像进行正弦位置编码相加、映射和拆分，组成图像序列；所述积分层用于根据所述水平处理通道和所述u形处理通道输出的流场积分成为微分同胚的形变场φ。

4.根据权利要求3所述的一种跨模态可变形医学影像配准方法，其特征在于，所述u形处理通道包括依次连接的拆分及位置编码器、全连接层、所述mamba模块、所述三层卷积模块；所述mamba...

【专利技术属性】
技术研发人员：孟偲，郭弢，王一诺，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：