[发明专利]用于基于卷积神经网络回归的2D/3D图像配准的方法和系统

权利要求书

1.一种用于配准3D医学图像与2D X-光图像的方法，包括：

基于与根据所述3D医学图像生成的数字重建射线影像DRR相对应的变换参数，确定参数空间区域；

基于针对所确定的参数空间区域提取的所述3D医学图像中的3D点集合，根据所述DRR和所述X-光图像的局部块，计算局部图像残差LIR特征；以及

使用针对所确定的参数空间区域训练的回归量的分层序列，基于所述LIR特征，计算更新的变换参数，其中所述回归量的分层序列包括多个回归量，所述多个回归量中的每一个计算针对所述变换参数的相应子集的更新。

2.根据权利要求1所述的方法，其中所述变换参数包括：两个面内转换变换参数、一个面内旋转变换参数、两个面外旋转变换参数和一个面外转换变换参数。

3.根据权利要求2所述的方法，其中基于与根据所述3D医学图像生成的数字重建射线影像DRR相对应的变换参数来确定参数空间区域包括：

基于所述两个面外旋转变换参数来确定所述参数空间区域。

4.根据权利要求3所述的方法，其中所述两个面外旋转变换参数的参数空间分割为预定数量的参数空间区域，每一个覆盖所述两个面外旋转变换参数的参数空间的预定区域。

5.根据权利要求2所述的方法，其中使用针对所确定的参数空间区域训练的回归量的分层序列基于所述LIR特征计算更新的变换参数包括：

使用针对所确定的参数空间区域训练的第一卷积神经网络CNN回归量，基于所述LIR特征，计算对所述面内转换变换参数和所述面内旋转变换参数的更新；

基于所述更新的面内转换变换参数和面内旋转变换参数，重新计算所述LIR特征；

使用针对所确定的参数空间区域训练的第二CNN回归量，基于所述LIR特征，计算对所述面外旋转变换参数的更新；

基于所述更新的面外旋转变换参数，重新计算所述LIR特征；以及

使用针对所确定的参数空间区域训练的第三CNN回归量，基于所述LIR特征，计算对所述面外转换变换参数的更新。

6.根据权利要求1所述的方法，其中所述回归量的分层序列是所训练的卷积神经网络CNN回归量的分层序列。

7.根据权利要求1所述的方法，其中基于针对所确定的参数空间区域提取的所述3D医学图像中的3D点集合根据所述DRR和所述X-光图像的局部块来计算局部图像残差LIR特征包括：

针对所述3D点集合中的每一个3D点，基于针对3D确定的感兴趣的2D区域，提取DRR和X-光图像中对应的局部图像块；以及

通过从所述DRR中提取的对应的局部图像块中减去在所述X-光图像中提取的每一个局部图像块，计算所述LIR特征。

8.根据权利要求7所述的方法，其中针对所确定的参数空间区域提取的所述3D点集合包括与所述DRR中的2D边缘相对应的3D点。

9.根据权利要求7所述的方法，还包括：

通过以下各项提取针对所确定的参数空间区域的所述3D点：

通过对所述参数空间区域中心的2D DRR中具有高梯度幅度的像素设定阈值并将具有高梯度幅度的像素反向投影到所述3D医学图像中的对应3D结构，来生成针对所述参数空间区域的所述3D医学图像中的候选3D点；以及

过滤所述候选3D点，以选择具有对所述变换参数不变但对变换参数残差敏感的LIR特征值的候选3D点，并移除具有重叠感兴趣区域的候选3D点。

10.根据权利要求1所述的方法，还包括：

针对多次迭代重复确定所述参数空间区域、计算所述LIR特征并计算所述更新的变换参数。