[发明专利]一种基于强约束仿射形变特征学习的颈动脉多模态图像配准方法

权利要求书

1.一种基于强约束仿射形变特征学习的颈动脉多模态图像配准方法，其特征在于，所述方法包括以下步骤：

(1)数据选取：采用多模态颈动脉数据，选取固定图像和浮动图像，固定图像为突出组织的T1加权图像，浮动图像为利用血管成像造影技术突出颈动脉血管的TOF序列的核磁共振图像，并分别标注出两序列对应的颈动脉标签；

(2)网络训练：根据所述固定图像和浮动图像以及分割出的标签数据，将固定图像和浮动图像输入到神经网络中产生位移场，并通过浮动图像的颈动脉标签与位移场作用，得到扭曲后的标签，通过变形标签和固定图像的标签获得到dice损失函数(loss)，通过位移场获得正则项的损失函数；

(3)配准图像：根据网络训练产生的模型，将固定图像和浮动图像输入已经训练的网络，得到两个图像之间的位移场，通过位移场和原先输入网络的浮动图像得到扭曲后的图像。

2.如权利要求1所述的一种基于强约束仿射形变特征学习的颈动脉多模态图像配准方法，其特征在于，所述步骤(1)中，数据选取包括以下步骤：

(1.1)图像预处理：将图像统一进行偏移场纠正后进行重采样，获得体素大小为0.6*0.6*0.6的数据，在重采样的基础上我们进行图像裁剪，以获得同样大小的图像，过程为：

(1.1.1)将两模态的图像进行左右，前后和上下裁剪，以扩增数据，裁剪过程要考虑不同模态对应点的空间信息匹配关系；

(1.1.2)由于浮动图像的图像定位的空间坐标系统使用RAS，固定图像所用为RAI，即两序列图像对于空间位置坐标为：

fixed(x,y,z)＝moving(x,-z,y)

其中，moving(x,-z,y)和fixed(x,y,z)分别表示浮动图像和固定图像的像素点位置在图像定位的空间坐标系统的表示，这就要求在数据输入网络前需要将空间位置坐标fixed(x,y,z)对应于moving(x,y,z)，所以需要对移动图像进行装置翻转的相关操作，将转化moving(x,-z,y)为moving(x,y,z)，以满足网络训练时的像素点匹配的基本要求；

(1.2)颈动脉标签的标注：利用标注软件ITK-SNAP标注出颈动脉两个序列MRI图中的血管部位。