[发明专利]基于生成对抗网络的2D/3D脊椎CT非刚性配准方法

说明书

本发明公开了一种基于生成对抗网络的2D/3D脊椎CT非刚性配准方法，先下载2D/3D图像，用于训练搭建的生成对抗网络，然后在训练过程中，通过生成对抗网络来训练一个能保证符合人体关节约束的相对形变参数，并通过迭代优化来求最优配准形变参数，最后将术前待配准3D图像经过最优配准形变参数后得到的3D图像作为最终的配准结果，进而实现配准过程。

技术领域

本发明属于图像处理技术领域，更为具体地讲，涉及一种基于生成对抗网络的2D/3D脊椎CT非刚性配准方法。

背景技术

影像导航手术的关键是2D/3D图像配准技术，它是将来自不同成像设备、成像时间以及成像目标的多幅图像经过一定的空间变换后，处于同一参考系下达到同一解剖结构的图像像素对应匹配的目的，实现精确跟踪与校正手术器械与病人病灶间的相对位置关系完成影像导航手术，手术的关键就在于准确的建立术前3D图像和术中2D图像之间的空间位置关系，即配准术前3D图像和术中2D图像。

目前采用深度学习进行医学图像配准的方法大致有：深度迭代学习，监督学习和无监督学习。

深度迭代学习的基本配准思想还是传统的，只是在传统方法中嵌入了神经网络用来提取特征，或者学习相似性测度等，与其他两种方法的最直观的区别在于这种方法每配准一对图像都要迭代优化去寻找最优解，深度迭代学习的一大缺点就是速度很慢，无法满足实时配准的需求。

监督学习直接通过一个神经网络来回归变换参数(可以是变换矩阵的参数，也可以是一个形变场)，相应的标签就是真实的变换参数，可以通过手工配准得到，也可以通过其他配准方法得到，此方法的弊端主要在于标签不易获取。

最后，相较于监督学习，基于无监督学习的配准方法就是在训练学习网络时，只需要提供配准对，不需要标签，因此该方法在训练与测试阶段，均不依靠传统的配准方法。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于生成对抗网络的2D/3D脊椎CT非刚性配准方法，通过生成式对抗网络来训练一个能保证符合人体关节约束的相对形变参数，再通过迭代优化来求最优参数，进而实现配准。

为实现上述发明目的，本发明一种基于生成对抗网络的2D/3D脊椎CT非刚性配准方法，其特征在于，包括以下步骤：

(1)、获取2D和3D医学图像

获取X射线图像作为配准过程的术中2D参考图像，获取医学3D CT序列作为训练过程的术前3D图像序列；

(2)、搭建生成对抗网络

生成对抗网络包括生成器G和判别器D；

所述生成器G由全连接层网络构成，用于输出相对的形变参数；

生成器G采用3层全连接层结构，具体为：第一层为第一层全连接层，包含12个节点；第二层为第二层全连接层，包含24个节点；第三层为第三层全连接层，包含12个节点；

所述判别器D由卷积神经网络组合而成，输出二分类结果；

卷积神经网络的具体结构为：

第一层为第一卷积层，卷积核大小为3*3*3，输出通道数32，填充方式为same，步长2，输出分辨率为32*32*32；

第二层为第二卷积层，卷积核大小为3*3*3，输出通道数64，填充方式为same，步长2，输出分辨率为16*16*16；

第三层为第三卷积层，卷积核大小为3*3*3，输出通道数128，填充方式为same，步长2，输出分辨率为8*8*8；

第四层为第四卷积层，卷积核大小为3*3*3，输出通道数256，填充方式为same，步长2，输出分辨率为4*4*4；