[发明专利]一种非刚性多模医学图像的配准模型建立方法及其应用

权利要求书

1.一种非刚性多模医学图像的配准模型建立方法，其特征在于，包括：

获得医学数据集，其中的每个样本包括成对的参考图像和浮动图像以及这两幅图像之间的实际配准图像；

建立第一生成对抗网络GAN_dr，其中的生成器G_dr以参考图像和浮动图像的结构表征图为输入，用于生成形变恢复的结构表征图，判别器D_dr以所述生成器G_dr生成的形变恢复的结构表征图和实际配准图像的结构表征图为输入，用于判断所述生成器G_dr生成的结构表征图是否已经有效恢复形变；计算所述医学数据集内各样本中的参考图像、浮动图像和实际配准图像的结构表征图，利用计算结果对所述第一生成对抗网络GAN_dr进行训练，训练结束后，提取其中的生成器G_dr作为形变恢复模块；

建立第二生成对抗网络GAN_ie，其中的生成器G_ie以结构表征图为输入，用于估计配准图像，判别器D_ie以所述生成器G_ie估计的配准图像和实际配准图像为输入，用于判断估计的配准图像是否与实际配准图像一致；利用所述形变恢复模块生成所述医学数据集内各样本对应的形变恢复的结构表征图，连同各样本对应的实际配准图像对所述第二生成对抗网络GAN_ie进行训练，训练结束后，提取其中的生成器G_ie作为灰度估计模块；

将所述灰度估计模块连接到所述形变恢复模块之后，得到用于医学图像配准的配准模型。

2.如权利要求1所述的非刚性多模医学图像的配准模型建立方法，其特征在于，结构表征图的计算公式为：

其中，I表示图像，M表示图像I中的空间搜索区域，x表示体素，n表示空间搜索区域M中体素的数量；Dis是空间搜索区域M中以体素x和它邻近体素x+m为中心的两个图像块B的平方差和，x₁和x₂分别表示图像中两个不同的体素；h(x)为衰减系数，h(x)＝(c₁σ₁(x)+c₂σ₂)²；c₁和c₂是常数；σ₁和σ₂分别表示图像I的局部方差和全局阈值，σ₂＝mean(σ₁(x)),s.t.σ₁(x)≠0；mean(·)代表均值运算符。

3.如权利要求1所述的非刚性多模医学图像的配准模型建立方法，其特征在于，所述第一生成对抗网络GAN_dr的生成器G_dr包括：两个第一特征提取通道、一个第一特征融合模块和一个第一升采样模块；

所述第一特征提取通道包括堆叠的N+1个金字塔卷积块，相邻的两个金字塔卷积块之间通过一个卷积层相连；所述第一特征提取通道中的N+1个金字塔卷积块用于提取输入图像的N+1个不同尺度的特征；两个第一特征提取通道分别以参考图像和输入图像的结构表征图为输入，分别用于提取参考图像和输入图像的结构表征图的不同尺度特征；两个特征提取通道提取的相同尺度的特征通过一个差分运算层进行差分运算，得到N+1个不同尺度的差分特征；

所述第一特征融合模块包括堆叠的N个卷积-反卷积块，所述卷积-反卷积块用于对输入的特征做进一步特征提取后进行升采样；每个卷积-反卷积块之后依次连接一个级联层和一个卷积层，卷积层的输出作为下一个卷积-反卷积块或所述第一升采样模块的输入；各级联层以其前的卷积-反卷积块输出的特征和相应尺度的差分特征为输入，用于对输入的特征进行特征级联；第一个卷积-反卷积块以最小尺度的差分特征为输入，其余各卷积-反卷积块以其前的卷积层输出的特征为输入；

所述第一升采样模块用于将输入的特征升采样至与结构表征图的尺度一致，得到形变恢复的结构表征图；

其中，N为正整数。