[发明专利]集成分割功能的肺CT图像配准方法及系统

说明书

本发明公开了一种集成分割功能的肺CT图像配准方法及系统，该方法包括以下步骤：S1、数据预处理；S2、建立肺分割‑配准集成网络，所述肺分割‑配准集成网络包括特征编码模块、肺分割模块和肺配准模块；S3、构建肺分割模块；S4、构建肺配准模块；S5、建立用于肺配准的自适应正则约束项：S6、训练肺分割‑配准集成网络；S7、将待配准的肺部4D‑CT图像输入到训练后的肺分割‑配准集成网络中，自动输出配准结果。本发明能够获得滑移和平滑运动模式兼容的理想的肺部位移场，本发明根据像素点位置特征不同，计算自适应正则项，并将两种正则项进行空间加权结合，保障了图像的局部差异和配准精度。

技术领域

本发明涉及医学图像处理技术领域，特别涉及一种集成分割功能的肺CT 图像配准方法及系统。

背景技术

肺部4D-CT图像的形变配准是监测肺部器官和肺部肿瘤的精确运动轨迹，可以应用于肺癌放疗中以最大化病灶靶区的剂量同时避免了对健康组织的损害的必要技术。然而，肺是高度复杂变形的器官，对于传统的配准方法，实现精确的肺部形变配准是一项具有挑战性的任务，主要体现在：(1)由于肺部的运动较大，传统的配准方法容易陷入局部最优解，从而导致误配准。 (2)在呼吸过程中，肺的CT强度值会发生变化。其局部强度不均匀性不符合传统配准方法中强度恒定的假设。因此，这些传统的基于灰度的配准方法 (如基于B样条的形变模型、Demons和光流法)，无法有效地配准肺部图像。此外，这些传统方法是迭代优化的，通常计算耗时非常长，特别是对于大型 4D-CT数据集。

现今，深度学习技术被有效应用于快速预测形变场，并且也有肺部4D-CT 的配准网络被提出提升了肺部4D-CT图像的配准速度。这些方法通常采用传统的正则化项(如L₂范数)，以保证形变场的平滑性。然而，当人体进行呼吸运动时，肺器官和它们周围组织之间会存在一个相对的滑移运动，此时肺的运动和它们边界的运动是断裂的，因此会在肺和胸膜之间、隔膜之间会产生一个不连续的位移场。因此，上述传统的全局平滑L₂约束虽可以有效避免软组织及器官内部的折叠或拉伸，但也模糊了滑动边界，以致不能准确地表示滑动界面处的不连续位移场。

一些研究者采用基于L₁范数的TV非光滑约束项来保持滑移运动。TV 算子沿梯度的正交方向扩散，可以允许保持器官边界的不连续位移。然而，对肺图像施加全局的TV非平滑约束，则会无法保证肺内部运动的平滑性，从而出现折叠或间隙，影响肺内部结构的配准质量。

因此，现在有必要提供一种兼容滑移和平滑运动模式的理想的肺部图像配准方案。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种集成分割功能的肺CT图像配准方法及系统。

为解决上述技术问题，本发明采用的技术方案是：提供一种集成分割功能的肺CT图像配准方法，包括以下步骤：

S1、对采集的病人的肺部4D-CT数据进行预处理，形成若干组图像对，构建为训练数据集；

其中，每组图像对均包括一幅参考图像F和一幅浮动图像M，每一幅参考图像和浮动图像均进行肺实质手动分割形成有参考图像的标准的肺实质边界S_F以及浮动图像的标准的肺实质边界S_M；

S2、建立肺分割-配准集成网络，所述肺分割-配准集成网络包括特征编码模块、肺分割模块和肺配准模块；

其中，参考图像F和浮动图像M输入所述特征编码模块后，输出参考图像F的特征映射C_F和浮动图像M的特征映射C_M；肺分割模块根据所述特征编码模块的输出得到参考图像F的预测的肺实质边界以及浮动图像M的预测的肺实质边界所述肺配准模块输出根据所述特征编码模块的输出得到参考图像F与浮动图像M之间的形变场φ，并得到与参考图像F完成配准后的浮动图像M(φ)；

S3、构建肺分割模块；