[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

说明书

本发明公开了一种基于深度学习的腹部CT图像目标器官配准方法。首先，构建腹部CT图像数据库；其次，构建基于深度学习的网络模型，在其卷积神经网络模块中，引入坐标卷积层，以增强其对目标位置信息的学习能力；然后，考虑到含目标器官边界框的腹部CT图像数据量较少，基于迁移学习技术，输入自然场景数据库预训练网络模型，再输入腹部CT图像数据库对该模型进行参数微调，以实现腹部目标器官检测；最后，构建腹部目标器官CT图像对，根据图像对像素点之间梯度和灰度分布特征，构建相似性度量函数，基于梯度下降法最小化该函数，实现腹部CT图像对目标器官配准。本发明采用先提取腹部CT图像目标器官区域再配准的策略，减小了腹部CT图像复杂背景和噪声等因素对目标器官配准的影响，且配准精度高，鲁棒性强。

技术领域

本发明属于医学图像处理领域，涉及腹部CT图像多器官的配准，特别涉及基于深度学习的腹部CT图像目标器官配准。

背景技术

图像配准是现代计算机视觉和医学图像处理中的一项重要技术，其目的是对同一对象或不同对象在不同的设备、不同的时间、不同的拍摄角度等条件下得到的图像对进行比较或融合。利用配准可以辅助腹部的目标器官分割、三维重建、组织参数估计和呼吸运动跟踪等工作。目前的腹部CT图像配准方法在临床应用中存在计算量大、耗时长、鲁棒性差等问题。因此，研究一种高效、准确的腹部CT图像配准方法对于腹部器官的疾病诊断和放射治疗具有重要意义。

现有的腹部图像配准方法一般可分为基于灰度和基于特征两大类。单纯基于灰度的配准方法是指以图像对之间的灰度分布为依据，建立相似性度量，主要包括误差平方和、互信息、序贯相似性检测和互相关算法等。这些配准技术能捕捉细微的空间变换，因此配准精度高、人工干预少，但是计算复杂度高、耗时长。基于特征的配准方法首先对图像对进行点、线、边缘等特征提取，然后以特征为模型进行配准，该类方法只采用了小部分的特征信息，因此配准速度快、抗干扰能力更强，但是在特征的选取过程中会引入额外的误差，且容易损失图像内部纹理信息。

发明内容

本发明的目的在于针对腹部CT图像背景复杂、噪声大以及配准过程中构建相似性度量的计算量大、时耗长等问题，利用先提取腹部CT图像目标器官区域再配准的两步法策略，提出了一种高效、精确、鲁棒的基于深度学习的腹部CT图像目标器官配准方法。

本发明提出的基于深度学习的腹部CT图像目标器官配准方法包括以下步骤：

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，获得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，卷积神经网络选取ResNet50网络，在第一部分中第1层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；

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；