[发明专利]一种跨模态医学图像配准方法及计算机可读存储介质

说明书

本发明提供一种跨模态医学图像配准方法及计算机可读存储介质，方法包括：构建全分辨率残差配准网络的跨模态医学图像配准模型；包括：采用全分辨率流连接浮动图像和参考图像，依次将与全分辨率流并行的多尺度残差流返回的残差相加以丰富全分辨率流的全分辨特征信息；通过连续的残差学习模块逐步减少通道数，并通过3D卷积模块估计全分辨率变形场；基于全分辨率变形场，通过空间变换网络对浮动图像进行扭曲，以评估扭曲后的浮动图像与参考图像之间的相似性；训练模型；输入待配准的浮动图像及参考图像进行配准得到多模态图像配准。通过增加全分辨流来解决常规单流编码器‑解码器结构潜在的在全分辨率预测上信息损失、局部配准质量不佳的问题。

技术领域

本发明涉及多模态医学图像配准技术领域，尤其涉及一种跨模态医学图像配准方法及计算机可读存储介质。

背景技术

多模态医学图像配准是将一对不同模态的浮动图像和参考图像对齐的过程，其目标是找到使配准图像对中感兴趣区域对齐的最佳空间变换。在图像引导治疗(IGT)中，如术前规划、干预和诊断，多模态可变形图像配准是整合不同图像模态中包含的互补信息的关键。近年来，由于计算效率比传统的迭代配准方法有了很大的提高，基于深度学习的图像配准方法在时间密集型应用中变得更加突出。大多数基于学习的配准方法使用完全监督的或半监督的学习策略，严重依赖于真实变形场(Ground Truth)和/或器官分割标签。然而，获取真实变形场(Ground Truth)和三维分割标签极具挑战性且成本高昂。因此，基于无监督学习的配准方法相继出现。

现有大多配准方法使用的是常规的“高到低、低到高”的单流网络结构。这种结构可以显著增加网络感受野的大小，有助于提升网络识别物体的能力及抵抗细微数据集噪声的能力，但是在解码阶段需要从低分辨率特征中恢复高分辨率信息。这些结构会使网络优先考虑整体配准精度，而忽略了一些严重变形的局部区域。

以上背景技术内容的公开仅用于辅助理解本发明的构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。

发明内容

本发明为了解决现有的问题，提供一种跨模态医学图像配准方法及计算机可读存储介质。

为了解决上述问题，本发明采用的技术方案如下所述：

一种跨模态医学图像配准方法，包括如下步骤：S1：构建全分辨率残差配准网络的跨模态医学图像配准模型；所述跨模态医学图像配准模型包括：采用全分辨率流连接浮动图像和参考图像，依次将与所述全分辨率流并行的多尺度残差流返回的残差相加以丰富所述全分辨率流的全分辨特征信息；通过连续的残差学习模块逐步减少通道数，并通过3D卷积模块估计全分辨率变形场；基于所述全分辨率变形场，通过空间变换网络对所述浮动图像进行扭曲，以评估扭曲后的浮动图像与所述参考图像之间的相似性；S2：训练所述跨模态医学图像配准模型；S3：输入待配准的浮动图像和参考图像进行配准得到多模态图像配准。