[发明专利]一种基于深度学习的医学图像配准方法及终端

说明书

本发明公开了一种基于深度学习的医学图像配准方法及终端，对待配准移动图像和待配准固定图像进行预处理和拼接；使用U型网络在拼接图像的基础上预测得到待配准移动图像与待配准固定图像间的流场，通过得到的流场对待配准移动图像进行重采样，从而通过无监督的学习方法避免了配准过程中对大量数据标签的依赖，提高配准的计算速度；对重采样后的待配准移动图像和待配准固定图像进行配准，并使用损失函数对配准图像进行调整，能够通过损失函数衡量配准过程中预测值与样本值的距离，进一步提高配准图像的精度；因此本发明使用U型网络进行流场预测，基于流场进行图像配准，使用损失函数进行配准图像的调整，快速准确地实现医学图像的配准。

技术领域

本发明涉及医学图像技术领域，特别涉及一种基于深度学习的医学图像配准方法及终端。

背景技术

医学图像配准是医学图像处理领域的一个重点和难点问题，配准目的是将来自不同设备或者不同时间获取的图像坐标转换到另一个图像中，即将一幅移动图像的信息映射到另一幅固定图像中。从图像本身的空间角度来说，通过寻找一种空间变换，例如刚体变换、仿射变换、投影变换、非线性变换，将移动图像映射到固定图像，通过将移动图像和固定图像中对应于空间同一位置的点一一对应，使得空间位置匹配，达到图像信息融合的目的。

医学图像配准可以分为单模态配准和多模态配准。单模态的医学图像配准主要的关注点在于组织器官或者病灶随时间的改变情况，多模态的医学图像配准主要的关注点在于解剖其形态和功能。

在单模态配准方面，不同设备获取的影像差异可能较大，其局部的灰度对应会出现不一致的情况，因此实现全局灰度对应一致是一个难点，是影响配准精度的一个主要因素。另外，传统方法本身存在的局限性为只适用于一个特定的模态，因此上述局限性使得医学图像的配准速度慢，不适合现实的应用场景，并且早期的深度学习技术是基于监督学习的，需要大量的数据标签，对数据标签的依赖较大。

发明内容

本发明所要解决的技术问题是：提供一种基于深度学习的医学图像配准方法及终端，能够提高图像配准的速度和精度。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于深度学习的医学图像配准方法，包括步骤：

获取待配准移动图像和待配准固定图像，对所述待配准移动图像和待配准固定图像进行预处理；

将预处理后的所述待配准移动图像和待配准固定图像进行拼接得到拼接图像；

使用U型网络对所述拼接图像进行预测得到所述待配准移动图像与待配准固定图像间的流场，根据所述流场对所述待配准移动图像进行重采样；

对重采样后的待配准移动图像和待配准固定图像进行配准得到配准图像，使用多个损失函数对所述配准图像进行调整并验证调整后的配准图像。

为了解决上述技术问题，本发明采用的另一种技术方案为：

一种基于深度学习的医学图像配准终端，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取待配准移动图像和待配准固定图像，对所述待配准移动图像和待配准固定图像进行预处理；

将预处理后的所述待配准移动图像和待配准固定图像进行拼接得到拼接图像；

使用U型网络对所述拼接图像进行预测得到所述待配准移动图像与待配准固定图像间的流场，根据所述流场对所述待配准移动图像进行重采样；

对重采样后的待配准移动图像和待配准固定图像进行配准得到配准图像，使用多个损失函数对所述配准图像进行调整并验证调整后的配准图像。