【技术实现步骤摘要】
本专利技术涉及医学图像处理，具体涉及基于无监督学习的多模态医学图像处理系统及方法。
技术介绍
1、当代科技的进步推动医学影像诊断系统不断向精密化与多元化方向发展，各类新型成像手段的临床应用显著提升了诊疗效率，临床工作者可以通过多维影像数据无创获取患者组织结构信息，有效降低诊疗风险，同时也为精准医疗提供了依据，因此，需要一种基于无监督学习的多模态医学图像处理系统及方法。
2、在传统的医学图像配准算法研究中，研究者通常从两个角度出发，一是基于图像的特征，二是基于图像的灰度值，来实现配准的目标。
3、针对上述方案，存在如下技术问题：1、基于图像特征匹配的方法过于依赖特征提取的准确性，如果提取的特征不准确或不稳定，可能导致配准结果不准确。而设计表达能力强的图像特征正是基于图像特征配准中的难点。
4、2、基于图像灰度值的配准方法需要分析图像间灰度值的相似度，以获得最优匹配的形变场。基于图像灰度值的配准方法一般都需要大量迭代优化，以使得配准结果达到最佳灰度匹配。但是，这种迭代优化过程往往需要耗费大量计算资源，同时...
【技术保护点】
1.基于无监督学习的多模态医学图像处理系统，其特征在于，包括如下模块：
2.根据权利要求1所述的基于无监督学习的多模态医学图像处理系统，其特征在于，所述分析得到当前任务的预设形变场，具体分析过程如下：
3.根据权利要求2所述的基于无监督学习的多模态医学图像处理系统，其特征在于，所述通过编码器对融合特征图进行分析，具体分析过程如下：
4.根据权利要求1所述的基于无监督学习的多模态医学图像处理系统，其特征在于，所述采集多模态图像组的相似性度量，具体采集过程如下：
5.根据权利要求1所述的基于无监督学习的多模态医学图像处理系统...
【技术特征摘要】
1.基于无监督学习的多模态医学图像处理系统，其特征在于，包括如下模块：
2.根据权利要求1所述的基于无监督学习的多模态医学图像处理系统，其特征在于，所述分析得到当前任务的预设形变场，具体分析过程如下：
3.根据权利要求2所述的基于无监督学习的多模态医学图像处理系统，其特征在于，所述通过编码器对融合特征图进行分析，具体分析过程如下：
4.根据权利要求1所述的基于无监督学习的多模态医学图像处理系统，其特征在于，所述采集多模态图像组的相似性度量，具体采集过程如下：
5.根据权利要求1所述的基于无监督学习的多模态医学图像处理系统，其特征在于，所述对预设形变场进行分析，具体分析过程如下：
6.根...
【专利技术属性】
技术研发人员：李英豪，姚梦圆，林予松，石磊，刘炜，董知沅，李金珂，王弘，
申请(专利权)人：郑州大学，
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。