[发明专利]一种基于深度学习的图像配准方法及装置

说明书

本发明提供的基于深度学习的图像配准方法及装置，通过利用胶囊网络构建图像配准模型，由向量特征表示和路由选择机制代替传统深度学习卷积网络中的标量表示和池化机制，逐级连接不同层次的胶囊以进行特征间组合；通过构建基于胶囊向量的图像融合网络，以输出与参考图像同样维度大小的融合图像作为配准输出；通过构建基于图像间相似性度量的损失函数，以反馈训练网络参数，优化无监督学习的配准网络，实现具有高精度、高鲁棒性的图像配准操作。

技术领域

本发明涉及图像处理领域，特别涉及一种基于深度学习的图像配准方法及装置。

背景技术

医学图像配准是指将不同时间、不同成像设备或不同条件下获取的两幅或多幅医学图像进行匹配、叠加的过程。当前，以深度学习为代表的信息技术和高端医学影像技术不断取得重大突破，使用深度学习技术进行配准成为医学图像配准领域新的热点。

现有的一种基于卷积神经网络的医学图像配准方法(中国专利申请CN201711017916.8)。该方法通过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，从而获取具有参数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，之后将所述图像子模块输入张量卷积神经网络，张量卷积神经网络根据图像子模块计算待配准图像之间关于参数t的参数关系，并根据参数关系对待配准图像进行配准。中国专利申请CN201610404412.0公开了一种基于深度学习的点云配准方法，其将点云图像转换成深度图像表示，并且使用堆叠卷积自动编码器网络提取深度图像的特征；将提取到的深度图像特征作为输入，输入到卷积神经网络中进行训练，之后利用训练好的堆叠卷积自动编码器网络和配准网络计算两片测试点云之间的配准参数。其优点在于算法的适应性强，对噪声点和异常点不敏感，算法实现较为简单。在利用深度学习技术进行医学图像配准的应用中，传统有监督学习方法通过人工标注数据样本，从而实现配准模型的训练。该方式对于大型数据集的应用，其样本标注过程难以实现，并且配准结果易受人工标注质量的影响。另外，图像配准过程中，寻求同一语义内容所对应的角度变换及位置变换是配准需要面对的核心问题。现有基于深度学习的图像配准模型大部分使用卷积操作进行特征提取。然而，在处理同一实例化特征时，通过使用下采样操作保证空间不变性，忽略了图像的空间层次和方向信息，使得对图像的旋转和角度信息不敏感，大部分现有配准模型中使用的卷积操作容易丢失方向特征信息，从而影响配准模型的精度。