[发明专利]一种融合多尺度信息的脑部磁共振图像配准方法

说明书

现有的3D脑部磁共振图像配准技术在分割精度和速度上还存在着不足，对于待配准图像中出现的较大变形，应对能力较差。为了实现对脑部磁共振图像的高效、快速配准，提出了一种基于融合多尺度信息的脑部磁共振图像配准方法。在图像的特征提取过程中融入了多尺度信息的抽取。多尺度信息是一种带有图像空间信息的高级特征，使得我们可以对图像间的相似性进行精确的度量。通过使用U型卷积网络来实现对数据的多尺度特征的提取，并且通过自动学习同一数据集之间的固有内在联系，增强模型的泛化能力。本发明能实现精确、快速的配准。

技术领域

本发明属于医学图像处理技术领域，具体涉及到一种用于3D脑部磁共振图像配准的方法。

背景技术

磁共振成像（MRI）和计算机断层扫描（CT）都采用非侵入式的成像手段展示了患者无颅骨伪影的高清图像。脑部疾病诊断一般使用CT和MRI图像，CT图像可以清晰的观察到骨组织形态的细微变化，但是对软组织的变化却不敏感。MRI生成的医学图像对软组织有着较高的对比度和空间分辨率，因此脑功能成像一般使用MRI。MRI在临床脑部疾病诊断中是必不可少的辅助诊断工具，为医生的临床诊断提供了重要判断依据。

医学图像配准（Registration）是指通过一系列的空间变换使两幅图像达到空间位置匹配的过程，主要应用于临床治疗中的病灶检测、疾病诊断、手术规划、手术导航、疗效评估等方面。目前，在临床诊断的过程中一般由经验丰富的专家根据现有的临床医学知识、个人经验和空间想象力进行人工配准。人工配准的方法不仅耗时费力，而且配准的结果因人而异具有很强的主观性。医生在长时间工作的情况下也会因为疲劳而导致较大的误差。因此，利用现代计算机代替人工配准的技术，不仅可以节约更多的医疗资源，还可以实现更加实时、准确、高效的图像配准，挽救更多患者的生命。

传统医学图像配准方法主要有基于灰度的方法，这种方法容易受噪声干扰；基于区域变换的方法，计算量大耗费时间长；基于特征的方法，配准结果依赖于特征点的选取。传统的配准方法使用迭代配准的模式，由于其每次配准都使用从零开始迭代优化的方式，忽略了同一数据集之间固有的内在联系，因此传统的配准方法需要耗费大量的时间。

基于融合多尺度信息的脑部磁共振图像配准方法，能够提取图像中全局空间信息的分布特征，对于图像中出现的较大变形有较好的效果。而且本方法使用迁移学习的方法对网络进行训练，避免网络参数从零开始训练，能够有效提升网络的训练速度，学习数据的固有内在联系，可以使模型有更强的泛化能力。因此，本发明主要关注于应对数据中出现的较大变形和提升图像的配准速度。

发明内容

本发明为解决医学图像配准中，人工配准存在误判、漏诊的情况，传统配准方法不能满足医学图像配准的实时性，提供一种使用卷积神经网络的方法自动准确配准3D脑部磁共振图像的方法。

本发明通过以下技术方案实现：一种融合多尺度信息的脑部磁共振图像配准方法。通过

通过在U型卷积网络的编码解码路径中增加多尺度特征层，使得提取到的特征具有空间信息能力，而且在网络中使用新的卷积块结构，增加跳跃连接，便于提取到的多尺度特征信息向模型的更深层传播。使用特征迁移，使得网络能学习到数据间的内在特征，避免网络每次都要重新开始训练，提升配准速度。

（1）数据预处理：对3D脑部磁共振图像预处理的作用是将数据映射到一致的权重空间，减轻不同情况下的噪声干扰，进行归一化采样之后便于网络提取特征和分析处理。还要对数据进行颅骨去除、分割以及数据的仿射和归一化变换等操作，之后再将数据重采样到相同的分辨率，裁剪为相同的尺寸大小；

（2）加载模型特征迁移：网络通过学习数据间的内在联系，相比传统方法，能够实现更加快速的配准。本方法在训练开始的时候，加载一个迁移过来的初始权重，避免网络的参数从零开始，能够提升网络模型的训练速度。