[发明专利]一种基于深度学习的多模态肝脏磁共振影像配准系统

说明书

本发明属于磁共振图像配准技术领域，具体为一种基于深度学习的多模态肝脏磁共振影像配准系统。本发明系统包括：图像预处理模块，用于对源图像和目标图像进行预处理，并利用传统方法进行预配准；训练样本筛选模块，从对经传统方法预配准后的样本中筛选出作为GAN网络训练用的样本；GAN网络模块，用于对多模态肝脏磁共振影像配准；GAN网络包括鉴别器网络和生成器网络；本发明通过对GAN网络进行预训练，使其学习不同对比度图像域之间的映射关系，实现将一种对比图像转化为另一种对比图像的功能；然后在配准过程中利用经训练的GAN网络辅助传统配准方法，消除配准中由于模态差异而造成的误差，缩短了配准时间，提高了配准准确性。

技术领域

本发明属于磁共振图像配准技术领域，具体涉及不同对比度，即不同模态之间的肝脏磁共振影像配准方系统。

背景技术

肝癌是我国常见的肿瘤，是全球第六大常见的癌症，也是亚洲致死率排名第二的癌症，早期、准确诊断肝脏病变具有重要的意义。在对肝脏病变进行诊断的过程中，通常会结合多个模态的影像信息，根据不同影像的特点及优势，进行综合全面的判断。例如磁共振动态增强扫描（Dynamic Contrast EnhancedMRI,DCE-MRI）可以对肿瘤血管渗透性进行定量分析，不仅可以提供肝脏病变形态学上的特征，还可以反映病变的血供状态；弥散加权成像（Diffusion WeightedImaging,DWI）能对肝脏细胞特征和组织结构进行定量分析，提供比常规MRI更多的信息，对明确病变部位的病理变化和生理活动有重大的意义；近年来以脱氧血红蛋白为内源性对比剂的血氧水平依赖功能磁共振成像(blood oxygenleveldependent functional magnetic resonance imaging,BOLD-fMRI)能够反映血流动力学和血氧含量变化,可以用于肝脏疾病的诊断和严重程度评估。而图像配准的目的即为在空间上或时间上将不同模态的影像对齐，以更精确地定位病灶。

传统的多模态配准方法多采用线性变换模型和非线性变换模型。线性变换模型通过对线性变化矩阵和平移向量的调整，包含了刚性配准，相似性配准和仿射配准，但该方法无法考虑源图像和目标图像之间的局部差异。在非线性变换中基于形变场的样条函数，例如薄板样条法和B样条法较为常用，其通过求出目标图像和参考图像对应控制点的映射关系，得到最优光滑位移场，然而随着控制点数量的增加，系数矩阵也会越来越大，计算准确性和稳定性会有所降低。

对于多模态磁共振影像配准而言，其配准难度主要在于不同模态影像之间的对比度差异，以及由于获取不同模态影像的时间点不同，从而导致相应器官的解剖学结构上的差异，这都给特征空间的提取造成了较大难度。故直接使用传统配准方法进行多模态配准通常无法达到较高准确度，而且在速度上也有待提升。

发明内容

本发明的目的在于提供一种可以降低对多模态影像间特征提取的难度、实现更准确更快速配准的多模态肝脏磁共振影像配准系统。

本发明提供的多模态肝脏磁共振影像配准系统，利用预训练的GAN网络将源模态图像转化为目标模态图像，降低提取特征空间的难度，进而使辅助传统配准方法进行更准确更快速的配准。

本发明提出的多模态肝脏磁共振影像配准系统，是基于深度学习的，具体包括如下模块。

图像预处理模块，用于对源图像和目标图像进行预处理，并利用传统方法进行预配准，即依次进行刚性配准、仿射配准和非线性配准；

所述图像预处理模块中，预处理方式主要有三种：

（1）由于有些图像在采集的过程中存在首尾数层图像不完整的问题，故剔除每个3D图像样本的始末3-10层；

（2）喂入网络的所有2D图像，重采样至分辨率128×128到1024×1024；

（3）根据图像对的像素点取值范围以及网络结构的激活函数的输出范围，对2D图像进行归一化处理，将像素值归一化至[0,1]或[-1,1]或[-1,0]范围内。