[发明专利]医学图像处理方法及设备

说明书

本发明实施例提供了一种医学图像处理方法及设备。本发明实施例通过接收指定目标的第一医学图像和第二医学图像；对第二医学图像依次进行第一配准、第二配准和基于非监督深度学习的配准，得到第三配准图像，第一配准、第二配准分别可实现两图像主结构的对齐以及肺部感兴趣区域的对齐，随后，基于非监督深度学习的配准基于肺部区域包含多个血管的特点，提取肺部中的血管微细结构，对该血管微细结构进行基于非监督深度学习的精配准，提高了医学图像配准的精度，且鲁棒性更强，解决了现有技术中现有医学图像配准中精度较低、鲁棒性差的问题。

【技术领域】

本方案涉及医学图像处理领域，尤其涉及一种医学图像处理方法及设备。

【背景技术】

医学成像技术经历了一个从静态到动态、从形态到功能、从平面到立体的发展过程，特别是在成像硬件的推动下，医学成像技术的发展给临床医学提供了各种形态和功能的影像信息。目前医学图像分析的研究的对象日益广泛，可以利用自动精确定量的计算机辅助图像分析，帮助临床医生和研究者高校准确地处理海量图像信息。

在医学图像分析时，经常要将同一患者的几幅图像放在一起分析，从而得到该患者的多方面的综合信息，提高医学诊断和治疗的水平，而图像的配准是将不同的图像对齐经常采用的技术手段。早期医学图像的配准，通常是将显示人体不同信息的医学图像(包括不同时间或不同条件)放在统一的坐标系中显示，通过寻找合适的空间变换或映射关系，使得一幅图像与另一幅图像的对应点达到空间上的一致，这种一致可指人体上的同一解剖点在两张匹配图像上有相同的空间位置(包括位置、角度或大小一致)，进而进行图像融合或其他操作。

现有的医学图像配准多采用刚体配准或者基于多项式的拟合配准方法。

现有的医学图像配准方法可大致实现医学图像的对齐，消除减影图像中存在的较大伪影。但是对于含有较多微细结构的组织，如CT肺部图像中通常含有较多的毛细血管等微细结构组织，仅通过现有技术无法实现这些微细结构的完全对齐，这样基于配准之后获得的减影图像通常会出现较大细小的伪影，严重影响医生从减影图像中获得有用的临床信息。

【发明内容】

有鉴于此，本方案实施例提供了一种医学图像处理方法及设备，用以解决现有医学图像配准中精度较低、鲁棒性差的问题。

第一方面，本方案实施例提供一种医学图像处理方法，所述方法包括：

接收指定目标的第一医学图像和第二医学图像，所述第二医学图像的成像时间早于所述第一医学图像的成像时间；

基于第一空间变换模型，将所述第二医学图像配准至所述第一医学图像，得到第一配准图像；

基于第二空间变换模型，将所述第一配准图像配准至所述第一医学图像，得到第二配准图像；

基于第三空间变换模型，采用非监督深度学习的配准方法将所述第二配准图像配准至所述第一医学图像，得到第三配准图像。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，基于第三空间变换模型，采用非监督深度学习的配准方法将所述第二配准图像配准至所述第一医学图像，得到第三配准图像，包括：

分别在所述第一医学图像和所述第二配准图像中确定指定像素点；

利用非监督深度学习的配准方法，对所述第一医学图像和所述第二配准图像中的指定像素点进行训练，得到指定像素点的特征信息；

根据所述特征信息，计算所述第三空间变换模型的参数；

根据所述参数，对所述第二配准图像进行所述第三空间变换模型对应的变换，得到所述第三配准图像。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述非监督深度学习的方法采用卷积栈式自编码训练方式；