[发明专利]基于对抗学习的医学图像配准方法及系统

说明书

本发明公开一种基于对抗学习的医学图像配准方法及系统，包括：获取医学图像对，包括浮动图像和固定图像；构建对抗学习网络模型，包括生成网络和判别器；对医学图像对通过生成网络得到形变场和经形变场形变后的浮动图像；对形变后的浮动图像和固定图像通过判别器进行真假判断和相似性判断；将真假判断结果和相似性判断结果反馈至生成网络后，对形变场进行优化；根据优化后的形变场对待配准医学图像进行配准。采用生成网络生成形变场和形变后的图像，采用一个判别器网络判断输入图像真假，采用另一个判别器网络判断形变后的图像与固定图像的相似值，使变形后的图像更接近固定图像，在没有医学图像金标准的情况下，实现无监督的图像配准任务。

技术领域

本发明涉及医学图像配准技术领域，特别是涉及一种基于对抗学习的医学图像配准方法与系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

医学图像配准主要针对同一对象(器官)或不同条件下(不同设备、不同时间等)采集到的不同对象(器官)的两幅图像进行匹配，使得同一解剖点在两幅图像上在空间位置上对齐。鲁棒、精准的医学图像配准是实现精准医疗的关键技术，在配准过程中，两副图像分别称为浮动图像和固定图像(又称为模板图像)，配准系统训练完成的结果是学习一个形变场，然后把形变场作用在新浮动图像上，从而为医生制定医疗方案提供重要的参考。

当前适合医学图像分割、配准使用的开源软件比如：FreeSurfer、FSL、Elastix、NiftyReg、ANTS等工具都是基于传统方法实现的配准任务，这些方法要求具有专业知识的医学从业人员才能获得较准确的监督信息，比如特征的标注。但是，医学图像的标注既费时，又会因为不同标注人员的水平不同而产生较大的质量差异，即使有少量的金标准数据，也难以较好地训练配准模型。

发明内容

为了解决上述问题，本发明提出了一种基于对抗学习的医学图像配准方法及系统，采用包含一个生成网络和两个判别器的对抗学习网络模型，通过生成网络生成形变场和形变后的图像，通过一个判别器网络判断输入图像真假，通过另一个判别器网络判断形变后的图像与固定图像的相似值，使形变后的图像更接近固定图像，在没有医学图像金标准的情况下，实现无监督的图像配准任务。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种基于对抗学习的医学图像配准方法，包括：

获取医学图像对，所述医学图像对包括浮动图像和固定图像；

构建对抗学习网络模型，所述对抗学习网络模型包括生成网络和判别器；

对医学图像对通过生成网络得到形变场和经形变场形变后的浮动图像；

对形变后的浮动图像和固定图像通过判别器进行真假判断和相似性判断；

将真假判断结果和相似性判断结果反馈至生成网络后，对形变场进行优化；

根据优化后的形变场对待配准医学图像进行配准。

第二方面，本发明提供一种基于对抗学习的医学图像配准系统，包括：

数据获取模块，被配置为获取医学图像对，所述医学图像对包括浮动图像和固定图像；

模型构建模块，被配置为构建对抗学习网络模型，所述对抗学习网络模型包括生成网络和判别器；

生成模块，被配置为对医学图像对通过生成网络得到形变场和经形变场形变后的浮动图像；

判别模块，被配置为对形变后的浮动图像和固定图像通过判别器进行真假判断和相似性判断；

优化模块，被配置为将真假判断结果和相似性判断结果反馈至生成网络后，对形变场进行优化；