[发明专利]一种基于深度卷积神经网络的前列腺MR图像多任务配准方法

说明书

本发明公开了一种基于深度卷积神经网络的前列腺MR图像多任务配准方法，包括训练阶段和推理阶段。训练阶段包括前列腺MR图像的预处理、构建神经网络模型和神经网络参数的训练。通过对单向配准任务的扩展，实现多任务的联合训练模型，利用前列腺的标签信息作为弱监督信息指导网络的训练，并利用循环一致性和逆一致性对网络训练进行约束，同时构建双路径的深度卷积神经网络实现网络权值共享。同时对网络预测的位移矢量场进行正则化，使得位移矢量场更加平滑。在推理阶段，将预处理的运动图像和参考图像数据作为网络的输入，经过训练好的网络会得到预测的位移矢量场，将位移矢量场作用于运动图像，从而得到前列腺的MR图像配准的结果。

技术领域

本发明属于医学影像处理技术领域，尤其涉及一种基于深度卷积神经网络的前列腺MR图像多任务配准方法。

背景技术

随着计算机技术和医学影像工程的发展，越来越多的科学技术被应用于现代医学中，特别是医学成像技术，渗透了医学的临床应用，各种医学成像设备从不同的侧面反映人体的身体状况，为医疗诊断治疗提供直接、客观的信息。现代医学成像技术常见的有核磁共振成像(MRI)、计算机X射线摄影(X-光)、超声成像、计算机断层成像(CT)、正电子发射计算机断层显像(PET)等，它们主要分为两大类：解剖图像和功能图像，解剖图像分辨率较高，能够较为准确的获得脏器的结构信息，但是不具备功能作用。功能图像分辨率低，无法清楚的显示脏器的轮廓信息，但是可以显示人体的新陈代谢情况。虽然两者的成像技术都在不断的进步，成像结果越来越准确，但是在实际的临床应用中，由于成像原理的不同，某一种成像技术只能反映人体的某些特定的信息，往往需要医生结合多种成像技术对病人进行诊断治疗。然而，综合多种医学影像的信息往往需要多年的经验，不仅局限于很多主观因素，还增加了医生的工作量。

解决这个问题的最佳方法便是医学图像配准技术，医学图像配准是医学图像分析的重要研究分支，是医学图像融合、重建的核心技术，在临床应用中具有重要的意义。医学图像配准技术是指将两幅或两幅以上的图像进行几何对准，使得同一像素代表相同的解剖位置。通过医学图像配准技术能够将多种成像技术有机的联合起来，将多种医学信息整合在一张图像上，更加直观、准确的辅助医生进行诊断治疗。

图像配准技术可分为刚性配准和非刚性配准。上世纪80年代，医学图像配准主要以刚体配准为主，通过学习图像灰度差异等医学信息来估计图像之间的刚性变换系数。目前，基于刚体配准的算法已经趋近成熟，在临床得到了广泛的应用。但是刚体配准的自由度小，只解决了配准问题中的小部分。对于实际医学应用中，刚体变换是远远不能满足实际需求的，医学图像配准问题需要更多自由度的变换。21世纪以来，非刚体配准技术成为了研究的重点，且得到了快速发展，许多学者研究出了许多非线性变换方式，例如基于B样条的自由变换模型、基于弹性变换模型、基于光流扩散的物理学形变模型等。经典的非刚体图像配准算法往往首先选择一个变换模型，随后定义一个相似度指标，最后迭代优化变换参数。虽然经典的算法取得了不错的性能，但由于迭代优化的性质，其速度往往较慢，无法满足临床的实时性需求，且可能陷入局部最优。此外，不同的相似性度量具有不同的性质，针对不同的脏器或影像，需要定义不同的相似性度量。

最近几年,深度学习特别是深度卷积神经网络,在计算机视觉方面取得了突破性研究成果，同时，在医学图像分析方面也得到迅速发展，深度卷积神经网络在医学图像配准方面也得到了一定的成果，例如DIRNet、VoxelMorph等。虽然模型的训练时间较长，但是一旦训练完毕，模型可以快速的配准图像，更好的满足临床需要。虽然目前基于深度学习的算法取得了令人满意的结果，但是现存的方法还存在较多不足，配准的结果往往与训练数据集的大小密切相关，同时忽略了位移矢量场的物理属性。

发明内容

针对现有技术存在的不足，本发明提供了一种高精度、高效率的基于深度卷积神经网络的前列腺MR图像多任务配准方法。

为解决上述技术问题，本发明采用如下的技术方案：一种基于深度卷积神经网络的前列腺MR图像多任务配准方法，包括如下步骤：