[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

说明书

本发明涉及一种基于全卷积神经网络的PET与CT图像配准方法；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，训练全卷积神经网络包括以下步骤：101、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，获取形变场；103、通过形变场和PET图像块获取训练配准图像；104、获取总损失函数L，并通过L更新网络权重参数；105、遍历用于训练的PET和CT样本图像块，更新网络权重参数，获全卷积神经网络；本发明计算成本小，结合相似性度量和限制形变场平滑度，从而限制图像的过度形变，配准效率高。

技术领域

本发明属于医学图像配准领域，具体涉及一种基于全卷积神经网络的PET与CT图像配准方法。

背景技术

正电子断结构扫描(Positron Emission Computer Tomography，以下简称 PET)利用回旋加速器产生放射性同位素18F、13N，静脉注射后参与人体的新陈代谢。代谢率高的组织或病变，在PET上呈现明确的高代谢亮信号；代谢率低的组织或病变在PET上呈低代谢暗信号。计算机断结构扫描(Computed Tomography，以下简称CT)是用X线束对人体的某一部分按一定厚度的结构面进行扫描，当X线射向人体组织时，部分射线被组织吸收，部分射线穿过人体被检测器官接收，产生信号，能准确对图像进行定位。

PET/CT可以进行功能与解剖结构的同机图像融合，是影像医学的一个重要进展。多模态图像配准利用各种成像方式的特点，为不同的影像提供互补信息，增加图像信息量，有助于更全面地了解病变的性质及与周围解剖结构的关系，为临床诊断和治疗的定位提供有效的方法。

医学图像配准在许多医学图像处理任务中起着重要的作用。通常将图像配准制定为优化问题以寻求空间变换，该空间变换通过最大化图像之间的空间对应的替代度量(例如配准图像之间的图像强度相关性)来建立一对固定和移动图像之间的像素/体素对应。由于图像配准优化问题通常使用迭代优化算法来解决，所以传统的图像配准算法通常在计算上成本很高。与传统的图像配准算法不同，基于深度学习的图像配准算法将图像配准定义为多输出回归问题，预测来自一对图像的像素/体素之间的空间关系。训练后的预测模型可以应用于像素/体素级别的图像以实现整体图像配准。

目前，基于全卷积网络(Fully Convolutional Networks以下简称FCN)的体素到体素的学习是Hongming Li等人提出的图像配准方法。通过最大化图像对的相似性度量训练FCN来估计用于配准图像的体素到体素空间变换。为了解决图像之间潜在的较大形变，采用多分辨率策略来联合优化和学习不同分辨率下的空间变换；而以往方法对PET/CT的图像配准存在失真情况，即没有对形变场加以限制导致图像扭曲幅度过大。

发明内容

(一)要解决的技术问题

为了解决现有技术的上述问题，本发明提供一种基于全卷积神经网络的PET与CT图像配准方法。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

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，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；