[发明专利]图像配准模型的训练方法、图像配准方法和计算机设备

说明书

本申请涉及一种图像配准模型的训练方法、图像配准方法和计算机设备。图像配准模型的训练方法包括：获取第一训练样本图像和第二训练样本图像；将第一训练样本图像和第二训练样本图像输入初始图像配准网络进行相互图像配准，得到第一变形场和第二变形场；根据第二变形场、第一训练样本图像以及第二训练样本图像计算图像配准损失，以及根据第一变形场和第二变形场计算逆一致性损失；根据图像配准损失和逆一致性损失计算网络损失，利用网络损失对初始图像配准网络进行训练；当网络损失满足预设条件时，初始图像配准网络训练完成，得到图像配准模型。该方法保证了图像配准模型的精度，同时使得根据图像配准模型得到的变形场可逆。

技术领域

本申请涉及图像处理技术领域，特别是涉及一种图像配准模型的训练方法、图像配准方法和计算机设备。

背景技术

图像配准是将两幅图像进行空间匹配的过程，若要将图像A配准到图像B，则是将B作为参考图像，A作为浮动图像，得到图像A配准到图像B的变形场。医学影像配准技术是医学影像处理的基础，在图像信息融合、辅助诊断、手术规划以及医学基础理论研究等领域发挥着十分重要的作用。早期的医学影像配准方法主要是基于灰度的配准方法，根据光流场理论将待配准影像作为连续运动的影像序列的两帧，然后计算变形场的大小，从而实现影像的配准。但是此方法在医学影像质量较差、且形变较大的情况下，配准精度明显下降。

随着人工智能技术的不断发展，基于深度学习的医学影像配准方法也应运而生，其需要大量的训练样本通过不断迭代的方式学习数据的特征。传统技术通常是将变形场的一阶梯度作为正则损失函数，指导图像配准网络训练过程中网络参数的更新，以训练得到收敛的图像配准网络。

但是，传统技术只考虑了变形场局部的平滑性，得到的图像配准网络精度较低，从而使用图像配准网络进行图像配准的结果准确度也较低，且不具备良好的逆一致性。

发明内容

基于此，有必要针对传统技术图像配准的结果准确度也较低，且不具备良好的逆一致性的问题，提供一种图像配准模型的训练方法、图像配准方法和计算机设备。

第一方面，本申请实施例提供一种图像配准模型的训练方法，包括：

获取第一训练样本图像和第二训练样本图像；

将第一训练样本图像和第二训练样本图像输入初始图像配准网络进行相互图像配准，得到第一变形场和第二变形场；

根据第二变形场、第一训练样本图像以及第二训练样本图像计算图像配准损失，以及根据第一变形场和第二变形场计算逆一致性损失；

根据图像配准损失和逆一致性损失计算网络损失，利用网络损失对初始图像配准网络进行训练；当网络损失满足预设条件时，初始图像配准网络训练完成，得到图像配准模型。

在其中一个实施例中，上述方法还包括：

根据第二变形场计算变形场平滑损失；

根据图像配准损失、逆一致性损失和变形场平滑损失计算网络损失。

在其中一个实施例中，将第一训练样本图像和第二训练样本图像输入初始图像配准网络进行相互图像配准，得到第一变形场和第二变形场，包括：

将第一训练样本图像作为浮动图像，第二训练样本图像作为参考图像输入初始图像配准网络进行图像配准，得到第一变形场；

将第二训练样本图像作为浮动图像，第一训练样本图像作为参考图像输入初始图像配准网络进行图像配准，得到第二变形场。

在其中一个实施例中，根据第二变形场、第一训练样本图像以及第二训练样本图像计算图像配准损失，包括：

利用第二变形场对第二训练样本图像进行图像空间变换，得到配准图像；

计算配准图像与第一训练样本图像之间的差异值，将差异值作为图像配准损失。