[发明专利]一种基于卷积神经网络的医学图像配准方法、系统及电子设备

权利要求书

1.一种基于卷积神经网络的医学图像配准方法，其特征在于，包括：

步骤a：在卷积神经网络的全连接层的权值矩阵上引入张量列，得到张量卷积神经网络；

步骤b：获取具有参数t的至少两幅待配准图像，并获取所述至少两幅待配准图像的图像子模块；其中，所述参数t表示每幅待配准图像对应的3D模型刚体变换参数，所述图像子模块是至少两幅待配准图像在局部的差值；

步骤c：将所述图像子模块输入张量卷积神经网络，所述张量卷积神经网络根据图像子模块计算所述至少两幅待配准图像之间关于参数t的参数关系，并根据所述参数关系对至少两幅待配准图像进行配准。

2.根据权利要求1所述的基于卷积神经网络的医学图像配准方法，其特征在于，在所述步骤b中，所述获取具有参数t的至少两幅待配准图像具体包括：

步骤b1：采集图像序列数据集，利用三维重建技术将所述图像序列数据集进行三维重建，构造图像的3D模型；

步骤b2：通过数字重建放射影像成像技术分别获取图像的3D模型在t₁、t₂状态下具有参数t的至少两幅待配准图像；其中，t包括六个自由度参数t_x,t_y,t_z,t_θ,t_α,t_β，t_x、t_y、t_z依次表示3D模型刚体变换中沿X轴、Y轴、Z轴的平移参数，t_θ、t_α、t_β依次表示3D模型刚体变换中绕Z轴、X轴、Y轴的旋转参数；

步骤b3：对所述至少两幅待配准图像进行预处理，分别获得至少两幅待配准图像的图像子模块和标签值δt{δt_x,δt_y,δt_z,δt_θ,δt_α,δt_β}；其中，δt{δt_x,δt_y,δt_z,δt_θ,δt_α,δt_β}是至少两幅待配准图像各自对应的六个自由度参数t_x,t_y,t_z,t_θ,t_α,t_β之间的差值。

3.根据权利要求2所述的基于卷积神经网络的医学图像配准方法，其特征在于，在所述步骤c中，所述将图像子模块输入张量卷积神经网络，所述张量卷积神经网络根据图像子模块计算所述至少两幅待配准图像之间关于参数t的参数关系，并根据所述参数关系对至少两幅待配准图像进行配准还包括：以所述图像子模块和标签值作为训练集，对所述张量卷积神经网络进行训练，所述张量卷积神经网络通过前向传播对输入的图像子模块进行卷积池化后，经全连接层输出至少两幅待配准图像关于参数t对应的6个自由度参数之间的参数关系。