[发明专利]一种多参数磁共振图像全自动配准与分割方法

说明书

本发明涉及一种多参数磁共振图像全自动配准与分割方法，包括配准模型与分割模型的联合训练：(1)以多参数磁共振图像中的一个序列为参考图像，其他序列为浮动图像，构建以参考图像为基准并对浮动图像进行配准的配准模型，建立基于图像灰度相似性测度的配准损失函数；(2)构建对参考图像和浮动图像进行目标分割的分割模型，建立关于参考图像与浮动图像的分割损失函数；(3)构建衡量分割模型对参考图像和浮动图像分割结果轮廓相似性的轮廓相似性损失函数以及融合灰度信息与轮廓信息的联合损失函数；(4)交替训练配准模型和分割模型直到满足收敛条件。与现有技术相比，本发明配准与分割可相互促进，有效提升配准与分割精度。

技术领域

本发明涉及一种图像处理方法，尤其是涉及一种多参数磁共振图像全自动配准与分割方法。

背景技术

对多参数磁共振(MP-MRI)中的各序列影像进行配准，并分割出目标病灶，是开展脑肿瘤影像分析与计算的重要步骤。

多参数磁共振(MP-MRI)包括T1W-MRI、T2W-MRI、DWI-MRI等多个影像序列，T1W-MRI、T2W-MRI序列提供了不同对比度下的脑部形态影像，DWI-MRI提供了脑部的分子影像，结合多个序列可对脑肿瘤进行全面分析。由于MP-MRI扫描过程中患者可能存在头动，且各磁共振序列的分辨率不一致，由此，图像配准是开展脑肿瘤影像分析与计算的首要步骤。传统方法通过构建目标函数，选择形变模型，借助优化算法进行图像配准。Avants B B等人提出了一种基于对称微分同胚与互相关的图像配准方法(SyN)，并在2009国际脑配准竞赛取得了最佳配准精度。然而传统配准方法需要针对每一对待配准图像进行反复迭代优化，难以调整配准参数，计算耗时可长达77分钟。随着人工智能技术的快速发展，研究者们将深度学习应用于图像配准。Cao X等人提出了一种基于卷积神经网络(CNN)的脑部图像配准算法，首先通过基于CNN的回归模型估计形变场，然后通过基于全卷积神经网络(FCN)的回归模型生成最终配准结果，取得了与传统方法相当的配准精度，并大幅缩减计算时间。

脑肿瘤可分割为坏死、水肿、增强和非增强区域，各区域影像特征与肿瘤分级密切相关，由此脑肿瘤分割是开展脑肿瘤影像分析与计算的另一重要步骤。在基于传统图像处理算法的脑肿瘤分割中，Gooya A等人提出了一种基于最大期望算法的联合分割与配准策略，利用分割与配准的互补信息，同时进行脑肿瘤图像分割与配准，取得了优于单独分割或配准的结果，然而由于该算法参数复杂，分割与配准时间可长达3-6小时。采用基于深度学习的肿瘤分割模型可大幅缩短分割时间。复旦大学Li Zeju等人利用151例低级别脑肿瘤患者数据，以人工标注的肿瘤征象子区域为金标准，训练CNN分割脑肿瘤子区域；Pereira S等人训练基于CNN的神经网络模型，在脑肿瘤分割竞赛(BRATS)中取得了第一名的成绩。然而，研究者们将基于深度学习的分割与配准看作独立任务，没有充分利用其互补信息。

传统的图像配准和分割方法耗时长，无法满足临床需求；现有深度学习方法将配准和分割看作两个独立的问题，忽略了配准与分割的协同作用。现有方法无法利用分割与配准的互补信息以进一步提升配准和分割精度。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种多参数磁共振图像全自动配准与分割方法。

本发明的目的可以通过以下技术方案来实现：

一种多参数磁共振图像全自动配准与分割方法，该方法包括配准模型与分割模型的联合训练，具体包括如下步骤：

(1)以多参数磁共振图像中的一个序列为参考图像，其他序列为浮动图像，构建以参考图像为基准并对浮动图像进行配准的配准模型，生成用于图像配准的形变场φ，并建立基于图像灰度相似性测度的配准损失函数Loss_r；

(2)构建对参考图像和浮动图像进行目标分割的分割模型，建立关于参考图像与浮动图像的分割损失函数Loss_s；