[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

说明书

本发明公开了一种非刚性多模医学图像的配准模型建立方法及其应用，医学图像配准领域，包括：建立生成对抗网络GAN_dr，其中的生成器G_dr用于生成形变恢复的结构表征图，判别器D_dr用于判断G_dr生成的结构表征图是否已经有效恢复形变；计算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GAN_dr进行训练；建立生成对抗网络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用于判断估计的配准图像是否与实际配准图像一致；利用训练好的G_dr生成医学数据集内各样本对应的形变恢复的结构表征图，对GAN_ie进行训练；将训练好的G_ie连接到G_dr之后，得到配准模型。本发明能够实现医学图像的快速精确匹配。

技术领域

本发明属于医学图像配准领域，更具体地，涉及一种非刚性多模医学图像的配准模型建立方法及其应用。

背景技术

由于各种成像技术的原理不同，每种成像方式在反映人体信息方面都有其自身的优势。功能成像，如功能磁共振成像(fMRI)，专注于反映人体代谢信息，而解剖成像，如T1-加权MRI，则可以更清晰地反映人体的解剖结构。此外，即使对于诸如T1-加权MRI和T2-加权MRI的解剖成像，它们提供的信息也存在差异。因此，来自多模图像的不同信息的融合能更好地协助人体疾病的诊断和治疗。多模医学图像配准是多模医学图像信息融合的基础，对医学图像分析和临床研究至关重要。

传统多模医学图像配准方法大体上可分为两大类：第一类是基于特征的配准方法，这类方法通过提取图像标志点的几何特征，并根据提取的特征来计算相似性度量，通过优化的方法得到最终的配准图像。然而这些方法依赖人工提取的特征，在多模图像之间结构差异较大的情况下，难以找到足够的对应特征，故无法实现精确配准。第二类是基于图像灰度信息的方法。这些方法首先基于图像间的灰度统计关系(例如互信息，区域互信息)或相关性(例如Pearson积矩相关系数)来构建相似性度量，然后优化基于相似性度量所构建的目标函数，由此产生配准图像。然而，当多模图像之间存在较大灰度差异时，这些方法很难取得良好的配准结果。同时，它们忽略了图像的局部结构信息，易导致图像边缘区的配准结果不理想。为了减弱不同模态之间非线性灰度差异的影响，通过图像结构表征方法，如基于熵图、韦伯局部描述子WLD，模态独立邻域描述子MIND及上下文自相似性SSC的方法，对图像结构进行表征，将多模图像配准演变为单模图像配准，然后利用表征结果的差值平方和(Sum of Squared Difference，SSD)作为配准测度来实现图像配准。通常，这些传统方法涉及耗时的优化过程，因此它们难以实现高效的医学图像配准。

针对上述传统多模图像配准方法的不足，近年来有学者提出了基于深度学习的配准方法，其主要分为两类。第一类是使用深度学习提取图像特征，然后根据这些特征来构建相似性度量，并与传统方法一样，采用迭代优化方法来产生配准图像，典型代表如基于PCANet的配准方法。尽管上述方法使用深度学习方法自动提取的特征而非人工设计的特征实现图像配准，但它们仍采用迭代优化策略来生成配准图像，因此其配准过程仍比较耗时，很难实现快速高效的医学图像配准。