[发明专利]基于回归预测的肺4D-CT多相位图像配准方法

权利要求书

1.基于回归预测的肺4D-CT多相位图像配准方法，该方法包括以下步骤：

(1)读取肺4D-CT数据，获得不同相位组成的图像组；

(2)选择图像组中某一相位图像为参考图像，某一相位图像为浮动图像；

(3)将图像组内除去参考图像和浮动图像的其他相位图像配准至参考图像，得到图像组内除去参考图像和浮动图像的其他相位图像对应的形变场；

(4)将其他相位图像及其对应的形变场分块，以此构建训练集，再利用多维支持向量回归机建立图像表观-形变场回归模型；

(5)将步骤(2)选择的浮动图像分块输入至步骤(4)构建的回归模型中，预测出浮动图像的初始形变场，并由此得到中间图像；

(6)配准由步骤(5)得到的中间图像与步骤(2)选择的参考图像；

(7)选择图像组中的下一相位图像作为新的浮动图像，将步骤(2)中的浮动图像及其形变场放入训练集中，重复步骤(4)至(6)，完成预测配准，循环配准，直至图像组中所有相位图像配准完成。

2.根据权利要求1所述的基于回归预测的肺4D-CT多相位图像配准方法，其特征在于：所述步骤(3)中的配准具体是采用Active Demons配准算法。

3.根据权利要求1所述的基于回归预测的肺4D-CT多相位图像配准方法，其特征在于，所述步骤(4)具体过程如下：

(4.1)分块策略是由左至右，从上到下的扫描式重叠法，分块大小为32像素x32像素；

(4.2)分块后的图像块像素灰度作为回归模型的训练输入X，图像块的形变场作为训练输出Y；利用已知的训练集X和Y，求解图像表观-形变场回归模型：

Y＝R(X)……式(1)；

式中，R表示回归关系；

(4.3)采用多维支持向量回归机，来求解上述回归模型，多维支持向量回归机能建模一个高维的非线性映射函数，且能同时并独立的预测每个输出维度，使得空间相关性得到充分利用，其旨在学习以下回归函数：

Y＝Wφ(X)+b……式(2)；

其中：φ(X)：R^m→R^h是一种非线性映射，从m维映射到更高维h空间，从已知训练数据样本D＝{(X_i，Y_i)|i＝1，2，..，n}中，求解该回归函数主要的最优化参数W＝[w¹，w²，...w^l]^T，和b＝[b¹，b²，...b^l]^T，X∈R^m是图像各像素点灰度输入，Y∈R^l，是图像各像素点对应形变输出，n为训练样本个数，m，l，h均表示空间维数；

(4.4)w和b的求解通过下述的最优化问题实现：

式中，u_i＝||Y_i-Wφ(X_i)-b||是预测错误，L(u)是损失函数，C是常数，控制着对超出误差限样本的惩罚与函数的平坦性之间的折中，ε是预测精度范围；

W的最优解是训练样本在高维特征空间的一种线性组合，即：

通过迭代变权最小二乘法可求得最佳的W，β为线性组合系数。

4.根据权利要求3所述的基于回归预测的肺4D-CT多相位图像配准方法，其特征在于：所述步骤(5)是根据步骤(4)得到的回归模型，分块预测块形变场，并最终拼接为整幅初始形变场，具体过程如下：

(5.1)将浮动图像分块，将块表观X输入至回归模型中：

由此可得到图像块形变场输出Y，K(X_i，X)表示核函数，上标T表示转置；

(5.2)分块之后，按照式(6)依次预测块形变场，最终拼接为浮动图像相对应的初始形变场，由此得到中间图像。

5.根据权利要求1所述的基于回归预测的肺4D-CT多相位图像配准方法，其特征在于：所述步骤(6)是根据步骤(5)得到的中间图像，利用Active Demons配准算法细化配准中间图像与参考图像。