[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

说明书

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，将医学图像数据输入卷积网络中，并将固定图像以及移动图像输入到训练好的网络中，获得可变性位移变形场DVF(Deformable vector field)，在获得DVF的基础上，引入强约束形的仿射模块，用以获得全局性的仿射变换，将DVF和仿射变换结合获得新的网格DA grid(DVF和仿射变换结合网格)。本发明利用神经网络训练产生可变性形变场之外，在同一网络模型当中得到基于全局性的仿射变形，提高了图像配准的速度和精度。

技术领域

本发明涉及医学图像配准领域，涉及一种利用深度学习进行多模态医学图像的配准方法。

背景技术

通过图像配准建立图像对应关系是许多临床任务的关键，如图像融合、器官图谱创建和肿瘤生长监测等。随着医学成像技术的发展进步，出现了大量的医学成像设备。这些成像设备为人们提供了各种模态的医学图像，如：CT、MRI、X射线等。不同模态的医学图像所提供的解剖结构和器官组织信息各不相同，两者进行融合才能提供更加全面的诊断信息。

多模态医学图像配准是将一个或者多个模态的医学图像寻找一种空间变换的对应关系，使得它们和另一模态图像上的对应点空间上达到一致。

传统的医学图像配准可以分为两大类：基于灰度和基于特征的配准方法。基于灰度的配准方法是指利用图像灰度信息作为依据进行配准的方法，例如互信息法、梯度信息法等。基于特征的配准方法又分为基于外部特征和基于内部特征的配准方法。利用体素强度的配准方法由于没有考虑图像的局部结构特征，用迭代优化的方式搜寻最优参数的，导致其处理速度相当慢，很难应用于实时化场景。基于特征的图像配准方法，是提取参考图像与待配准图像中不变的特征，列如边缘点、闭区域中心等，仅需提取少量的图像特征大幅度提高了配准速率，但配准精度对特征的提取更加敏感，该方法难以提供精确的配准结果。

随着深度学习应用与不同的技术领域，医学成像研究界开发了基于深度学习的方法，并在许多应用中达到了最先进的水平，包括图像配准。深度学习被成功地用于提高基于配准的迭代和强度，利用深度学习网络估计两幅图像的相似性度量，驱动迭代优化，该方法只利用了深度学习进行相似性度量，仍然需要传统配准方法进行迭代优化，没有充分发挥深度学习的优势，花费时间长，难以实现实时配准。现今直接利用神经网络预测转换参数，实现端到端的图像配准，方法有深度迭代配准、监督变换估计和无监督变换估计。然而，利用深度学习进行多模态配准大多利用神经网络获得可变形的形变场，未能充分发挥优势。

发明内容

为了克服现现有技术的缺陷，本发明提供了一种基于可变性变形和强约束仿射变形的多模态颈动脉MRI配准方法，利用神经网络训练产生可变性形变场之外，在同一网络模型当中得到基于全局性的仿射变形，提高了图像配准的速度和精度。

本发明解决其技术问题所采用的技术方案是：

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，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(T1GD)，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。

进一步，所述步骤(1)中，数据选取包括以下步骤：