[发明专利]一种基于全卷积神经网络的PET与CT图像配准方法

权利要求书

1.一种基于全卷积神经网络的PET与CT图像配准方法，其特征在于，包括：

获取待配准的PET与CT二维图像，通过尺寸预处理后获取待配准的PET与CT图像块并输入到预先训练的全卷积神经网络中，获取配准图像；

其中，尺寸预处理包括：

B1、针对预处理的图像，根据公式三和公式四，分别计算SUV值和Hu值，设置Hu值窗宽窗位和SUV限制范围；

公式三：SUV＝Pixels×LBM×1000/injected dose；

式中，Pixels为PET图像的像素值，LBM为瘦体重，injected dose为注射示踪剂计量；

公式四：Hu＝Pixels×slopes+intercepts；

式中，Pixels为CT图像的像素值，slopes为Hu值计算公式中的斜率；intercepts为Hu值计算公式中的截距；

B2、调整分辨率至图像尺寸等于预设值生成三维数组；

B3、将三维数组变换成五维数组，通过剪裁和采样获取预设尺寸的图像块；

训练全卷积神经网络包括以下步骤：

101、预先获取多幅PET和CT二维样本图像，进行尺寸预处理，获取用于训练的PET和CT样本图像块；

102、构建全卷积神经网络，初始化网络权重参数，设置迭代次数，将用于训练的PET和CT样本图像块作为全卷积神经网络的输入，通过多次卷积、池化和反卷积生成形变场；

103、通过对形变场和PET图像块进行空间变换获取训练的配准图像；

104、根据训练配准图像和PET图像块获取相似性度量L_sim，根据形变场获取限制形变场平滑度L_smooth，根据公式一和公式二获取总损失函数L，通过总损失函数L更新网络权重参数；

公式一：L＝m₁*L₁+m₂*L₂......+m_n*L_n；

式中，L₁为基于第一形变场得到的配准图像计算得到的损失函数，L₂为基于第二形变场得到的配准图像计算得到的损失函数，L_n为基于第n形变场得到的配准图像计算得到的损失函数，m₁+m₂.....+m_n＝1，m₁、m₂……m_n均为常数；

公式二：L(F，M，D_v)＝L_sim(F，M_Dv)+λL_smooth(Dv)；

式中，L_sim为相似性度量，F为CT图像块，M为PET图像块，M_Dv为形变场与PET图像块进行空间变换得到的配准图，L_smooth为形变场的平滑度，Dv为位移矢量矩阵，λ为常数；

105、遍历用于训练的PET和CT样本图像块，重执行步骤103-步骤104，多次迭代训练并更新网络权重参数，直至迭代次数达到预设值，获取预先训练的全卷积神经网络。

2.如权利要求1所述的方法，其特征在于，步骤102中构建全卷积神经网络包括：

第一卷积结构、第二卷积结构、第三卷积结构、第四卷积结构、第一反卷积结构、第二反卷积结构、第一池化结构和第二池化结构；

全卷积神经网络的输入作为第一卷积结构的输入；

第一卷积结构、第二卷积结构、第三卷积结构和第四卷积结构依次排列；

第一池化结构设置在第一卷积结构和第二卷积结构之间，第二池化结构设置在第二卷积结构和第三卷积结构之间；

第一反卷积结构设置在第三卷积结构和第四卷积结构之间，第二反卷积结构设置在第四卷积结构之后。

3.如权利要求2所述的方法，其特征在于，

第一卷积结构、第二卷积结构、第三卷积结构、第四卷积结构、第一反卷积结构、第二反卷积结构均包括卷积层、批量化归一层和激活层；

第一池化结构和第二池化结构包括卷积层；

其中，卷积层的卷积核为3×3×3，步长为2。