一种基于大模型鲁棒特征的医学图像配准方法技术

本申请公开了一种基于大模型鲁棒特征的医学图像配准方法，包括如下步骤：构建大模型配准网络，大模型配准网络包括结构感知特征编码器模块和金字塔形变场预测模块；获取医学输入图像，通过结构感知特征编码器模块对所述医学输入图像进行特征提取，获得图像提取特征；基于金字塔形变场预测模块对图像提取特征进行形变和配准，获得医学配准图像；基于完整损失函数对进行训练，以优化配准模型。本申请利用配准网络SAMIR，能有效提取跨解剖区域的通用视觉特征，提高了配准的精确度，提升了形变场的解剖合理性，在缺乏医学先验知识的情况下，证明了自然图像预训练模型向医学配准任务的迁移潜力，并提出了特征级损失函数，进一步增强配准一致性。

【技术实现步骤摘要】

本专利技术计算机视觉领域，特别涉及一种基于大模型鲁棒特征的医学图像配准方法。

技术介绍

1、成对图像配准在医学图像处理领域具有重要的应用价值，其核心任务是通过空间变换将移动图像与固定图像进行几何对齐，以实现多源医学数据的精准匹配。该技术在临床医学中具有广泛的应用场景：在时序影像分析中，通过对同一患者不同时间点的医学影像进行配准，可准确评估病灶的演变趋势或治疗效果；在多中心临床研究中，配准技术能够消除不同扫描设备或成像参数带来的差异，实现标准化数据分析。因此，研究高效、鲁棒的医学图像配准方法对推动精准医疗的发展具有重要意义。

2、传统的配准方法依靠迭代优化来最小化固定图像和形变后的移动图像之间的距离，如归一化互相关（ncc）或均方误差（mse），过程非常耗时。基于深度学习的配准算法显著加快了这一过程，在训练后通过单次前向推理实现配准。但是，这种方法通常假设照明条件一致且图像无噪声影响，导致在实际场景中的性能欠佳。当前的深度学习方法通过各种架构增强了注册网络中的特征学习，例如加入transformer来捕获长程相关性。先前的研究表明，在网络训练中加本文档来自技高网...

【技术保护点】

1.一种基于大模型鲁棒特征的医学图像配准方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的方法，其特征在于，结构感知编码器模块包含图像预处理模块、SAM特征编码器与三维卷积模块，步骤S2包括：

3.根据权利要求2所述的方法，其特征在于，金字塔形变场预测模块包含多尺度下采样单元以及多尺度位移场组合块，步骤S3包括：

4.根据权利要求3所述的方法，其特征在于，步骤S5包括：

5.根据权利要求4所述的方法，其特征在于，所述完整损失函数通过如下公式来表示：

6.根据权利要求5所述的方法，其特征在于，特征相似性损失通过如下公式来表...

【技术特征摘要】

1.一种基于大模型鲁棒特征的医学图像配准方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的方法，其特征在于，结构感知编码器模块包含图像预处理模块、sam特征编码器与三维卷积模块，步骤s2包括：

3.根据权利要求2所述的方法，其特征在于，金字塔形变场预测模块包含多尺度下采样单元以及多尺度位移场组合块，步骤s3包括：

4.根据权利要求3所述的方法，其特征在于，步骤s5包括：

5.根据...

【专利技术属性】
技术研发人员：刘敏，何悦，陈祥，刘庆浩，姚钊，王耀南，
申请(专利权)人：湖南大学，
类型：发明
国别省市：