[发明专利]一种基于深度学习的仰卧位和俯卧位乳腺图像配准方法

权利要求书

1.一种基于深度学习的仰卧位和俯卧位乳腺图像配准方法，包括以下步骤：

构建深度学习配准网络，该配准网络包含仿射配准网络、第一空间变换网络、弹性配准网络和第二空间变换网络；

训练所述配准网络，计算变形场以及固定图像和变换后的移动图像之间的损失函数值，直到设定的总损失函数满足优化收敛条件，其中固定图像是仰卧位或俯卧位乳腺图像，移动图像是与固定图像不同体位的俯卧位或仰卧位乳腺图像；

其中：仿射配准网络以固定图像I_F和移动图像I_M为输入进行仿射配准，输出变形场φ₁；第一空间变换网络以变形场φ₁和移动图像I_M作为输入，输出经变形场变换后的移动图像I′_M；弹性配准网络以固定图像I_F和移动图像I′_M为输入，用于进行局部配准，并且在上采样结构中，每一个上采样层都输出一个变形场，最后的上采样层输出的变形场标记为φ₂₅；第二空间变换网络以组合变形场和移动图像I_M为输入，得到变换后的移动图像I〞_M。

2.根据权利要求1所述的方法，其特征在于，所述弹性配准网络包含输入模块、下采样模块和上采样模块，输入模块用于读取移动图像和固定图像，并将移动图像和固定图像在通道上进行组合后输入到弹性配准网络的输入层；下采样模块包括卷积运算、激活运算和残差运算；上采样模块包括多个上采样层，每一上采样层输出和固定图像相同大小的变形场，且将最后一个上采样层输出的位移场作为所述弹性配准网络最终的变形场，而其余上采样层输出的变形场对应不同图像分辨率下的变形场。

3.根据权利要求2所述的方法，其特征在于，所述配准网络的总损失函数表示为：

其中，L_sim表示归一化互相关损失函数，L_smooth表示变形场的正则化损失函数，φ₂₁，φ₂₂，φ₂₃，φ₂₄，φ₂₅分别是五个上采样层中，每一个上采样层输出的变形场，λ₁，λ₂，λ₃，λ₄，λ₅是权重系数，I_F和I_M分别表示固定图像和移动图像的灰度值，I′_M是经过仿射配准网络变换后的移动图像灰度值，φ₁是仿射配准网络输出的变形场。

4.根据权利要求3所述的方法，其特征在于，所述归一化互相关损失函数表示为：

其中，表示图像的平均灰度值，p表示图像中的点，Ω表示图像的维度。

5.根据权利要求3所述的方法，其特征在于，所述变形场的正则化损失函数表示为：

其中，θ表示变形场参数，表示变形场在x轴方向的导数，表示变形场在y轴方向的导数，表示变形场在z轴方向的导数，p表示图像中的点，Ω表示图像的维度。

6.根据权利要求1所述的方法，其特征在于，所述仿射配准网络包括输入模块、下采样模块、仿射变换参数输出模块和全图变形场模块，所述输入模块用于将数据集读取到所述仿射配准网络的输入层；所述下采样模块用于降低输入层图像的尺寸，包括卷积操作、激活处理和残差运算；所述仿射变换参数输出模块用于处理下采样模块的输出，以输出仿射变换参数；所述全图变形场模块用于利用仿射变换参数求出全图变形场。

7.根据权利要求3所述的方法，其特征在于，根据每个上采样层对应的图像分辨率大小设置权重参数。

8.一种乳腺图像配准方法，包括：将待配准的乳腺图像输入根据权利要求1至7任一项所述方法获得的经训练的深度学习配准网络，获得配准图像。