[发明专利]一种基于深度学习的腹部CT图像目标器官配准方法

权利要求书

1.一种基于深度学习的腹部CT图像目标器官配准方法，其特征在于包括以下步骤：

步骤1：构建腹部CT图像数据库：

首先，提取腹部图像序列切片中肝、左肾、右肾和脾的坐标信息，获取带有目标器官边界框的XML格式注释文件，再利用原始图像及其目标器官的坐标信息组成样本训练集、验证集和测试集；

步骤2：提取腹部目标器官感兴趣区域，具体包括以下步骤：

步骤2.1：构建基于深度学习的网络模型，具体包括以下步骤：

步骤2.1.1：以改进的卷积神经网络为第一模块，首先对输入图像进行自动补零，然后进入卷积操作，该操作共包含五个部分，其中第一部分包含1个坐标卷积层、批归一化层和池化层，第二部分包含1个残差块和2个恒等映射块，第三部分包含1个残差块和3个恒等映射块，第四部分包含1个残差块和5个恒等映射块，第五部分包含1个残差块和2个恒等映射块，最后进行池化、排序展平和全连接，实现特征图的提取，其中1个卷积层和1个批归一化层为1组卷积，每3组卷积增加一个短连接，构成1个恒等映射块，在短连接上加1组卷积，构成残差块；

步骤2.1.2：以区域生成网络为第二模块，将第一模块输出的特征图输入第二模块，经卷积层、池化层、全连接层，获得初步边界框的回归和分类；

步骤2.1.3：根据第二模块的边界框初步预测结果，取整裁剪第一模块输出的特征图，输入候选区域池化层，获得固定大小的特征图；

步骤2.1.4：将步骤2.1.3输出的特征图，输入全连接层，通过分类和回归获得目标器官的检测结果；

步骤2.2：训练网络模型：

首先利用自然场景公共数据库，预训练步骤2.1构建的网络模型，然后基于迁移学习技术，利用腹部CT图像数据库对预训练模型进行参数微调，获得腹部CT图像目标器官检测网络模型；

步骤2.3：检测腹部目标器官：

采用步骤2.2所得的网络模型检测测试集中的腹部目标器官，获得边界框的分类结果和坐标信息，提取测试集的肝、左肾、右肾和脾的感兴趣区域；

步骤3：构建腹部CT图像对目标器官感兴趣区域：

根据测试集中每个序列相应的目标器官检测结果，随机抽取1个序列图像作为参考，并将剩余序列图像依次与其配对，获得多组腹部CT图像对目标器官感兴趣区域；

步骤4：构建配准相似性度量函数：

其中，I_f为参考图像，I_m为浮动图像，T为空间变换，S为配准目标函数，R为惩罚项，λ为平衡惩罚项和目标函数之间误差的权重系数，具体包括以下步骤：

步骤4.1：利用待配准图像对之间灰度分布的相关性，计算图像对所有像素点之间的误差平方和距离，构建配准目标函数：

其中，x为整体图像空间Ω中的像素点，为浮动图像I_m的空间变换；引入复合梯度：

其中，K为恒等变换，它与T构成复合函数，用于保持空间变换域的平滑性，为的梯度算子；

步骤4.2：利用吉洪诺夫正则化，即Tikhonov正则化，约束配准目标函数，以构建惩罚项：

其中，I为恒等矩阵，为关于T对x求导，||·||_F为图像对像素点之间灰度差的弗罗贝尼乌斯范数，即Frobenius范数；

步骤5：基于梯度下降算法最小化相似性度量函数，实现腹部CT图像对的目标器官配准。

2.如权利要求1所述的一种基于深度学习的腹部CT图像目标器官配准方法，其特征在于，所述步骤1中，腹部CT图像数据库包括：公开的数据库3D-IRCADb，LiTS和SLIVER07。

3.如权利要求1所述的一种基于深度学习的腹部CT图像目标器官配准方法，其特征在于，所述步骤2.1.1中，卷积神经网络选取ResNet50网络，且在卷积操作第一部分的第1个卷积层里添加含有坐标信息的通道，变为坐标卷积层，使用7×7个卷积核，卷积核大小为2×2，用于输出64个特征图。

4.如权利要求1所述的一种基于深度学习的腹部CT图像目标器官配准方法，其特征在于，所述步骤2.2中，自然场景公共数据库选取PASCAL VOC2007。