[发明专利]深度学习图像的配准方法、装置、电子设备及存储介质

说明书

本发明实施例公开了一种深度学习图像的配准方法、装置、电子设备及存储介质，该方法包括：通过第一算法获取第一固定图像和移动图像的形变场；根据所述形变场和移动图像获取第二固定图像；根据所述移动图像、第二固定图像和形变场训练深度神经网络以获取训练好的深度神经网络。本发明实施例提供的一种深度学习图像的配准方法，通过使用生成算法生成了仿真的形变场且非人为标注，从而更好的训练配准网络，解决了现有技术中依赖人为设定的配准度量来定义配准的标准并驱动配准过程，实现了神经网络中大大提高了训练数据量，进一步提高了配准准确度并且计算速度快的效果。

技术领域

本发明实施例涉及图像处理技术，尤其涉及一种深度学习图像的配准方法、装置、电子设备及存储介质。

背景技术

近几年的医学图像配准可以分为两大类：(1)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；(2)直接利用深度回归网络预测转换参数。前者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。根据使用的深度学习的种类划分，可以划分为基于监督学习的配准与基于非监督学习的配准两大类。输入图像为F和M(此时的M已经过仿射对齐)，使用CNN(卷积神经网络)来建立一个函数gθ(F,M)，输出位移形变场DVF，结合空间变换将M变换成再将和F进行相似性度量，计算Loss。现有的无监督DNN(深度神经网络)配准主要存在以下缺点：用最小化loss(配准度量)直接来训练网络，而loss是人为预设的。没有完全发挥出深度神经网络的潜能。仅仅使用了深度神经网络的框架，将神经网络作为优化工具。现有配准采用迭代优化的方法，配准速度慢。

发明内容

本发明提供一种深度学习图像的配准方法、装置、电子设备及存储介质，以实现神经网络中大大提高了训练数据量，进一步提高了配准准确度并且计算速度快的效果。

第一方面，本发明实施例提供了一种深度学习图像的配准方法，包括：

通过第一算法获取第一固定图像和移动图像的形变场；

根据所述形变场和移动图像获取第二固定图像；

根据所述移动图像、第二固定图像和形变场训练深度神经网络以获取训练好的深度神经网络。

可选的，所述第一算法包括：

其中指代任何图像指标，I_i为3D固定图像，I_j为3D移动图像，τ()是度量形变场的规则性，λ是权重因素，D_i^j为形变场。

可选的，所述根据所述移动图像、第二固定图像和形变场训练深度神经网络以获取训练好的深度神经网络包括：

根据生成算法和所述形变场生成大量仿真形变场；

根据所述大量仿真形变场获取大量训练数据训练深度神经网络以获取训练好的深度神经网络。

可选的，所述根据生成算法和所述形变场生成大量仿真形变场包括：

D^k为仿真形变场，I_i为移动图像，作为固定图像。

可选的，根据所述移动图像、第二固定图像和形变场训练深度神经网络以获取训练好的深度神经网络包括：

将所述第二固定图像和移动图像作为输入；

将所述形变场作为输出训练未训练好的配准网络以获取训练好的配准网络。

可选的，所述将所述形变场作为输出训练未训练好的配准网络以获取训练好的配准网络之后还包括：

对所述训练好的配准网络进行配准测试。