[发明专利]图像配准方法、电子设备及可读存储介质

说明书

本发明公开了一种图像配准方法、电子设备及可读存储介质，所述图像配准方法包括以下步骤：获取移动图片和固定图片，并通过图像分割网络分别对所述移动图片和所述固定图片进行预测分割；根据预测分割结果去除所述移动图片和所述固定图片中的干扰因素；基于去除干扰因素后的所述移动图片和所述固定图片及初始配准网络确定目标位移场；将所述移动图片和所述目标位移场输入空间变换网络，通过所述空间变换网络生成配准图像。本发明去除图片中的干扰因素，解决除关键部位外的其他部位对网络模型训练造成干扰的问题。

技术领域

本发明涉及医学影像领域，尤其涉及一种图像配准方法、电子设备及可读存储介质。

背景技术

图像配准是叠加同一场景在不同时间、不同视点和/或不同传感器拍摄的两幅图像或多幅图像的过程。在医学领域，通过对不同时刻采集的动态图像的配准，可以定量分析病灶和器官的变化情况，使得医疗诊断、制定手术计划、放射治疗计划更准确可靠。医学图像配准技术可以分为两类，一类是基于传统的配准方法，传统的配准方法步骤繁琐且耗时长，其针对每一对需要配准的图像都要进行迭代搜索，并且其配准的效果也并不理想；另一种是基于深度学习的配准方法，所述基于深度学习的方法只需要构建合适的网络和设计合适的损失函数，在训练好模型后图像配准速度远远快于传统的配准方法。但所述基于深度学习的图像配准技术也存在不足，即在配准过程中保留了除关键部位外的其他部位的图像，其他部位的图像对图像配准会产生一定的干扰。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种图像配准方法，旨在去除图片中的干扰因素，解决其他部位信息对网络模型训练造成干扰的问题。

为实现上述目的，本发明提供一种图像配准方法，所述图像配准方法包括以下步骤：

获取移动图片和固定图片，并通过图像分割网络分别对所述移动图片和所述固定图片进行预测分割；

根据预测分割结果去除所述移动图片和所述固定图片中的干扰因素；

基于去除干扰因素后的所述移动图片和所述固定图片及初始配准网络确定目标位移场；

将所述移动图片和所述目标位移场输入空间变换网络，通过所述空间变换网络生成配准图像。

进一步地，所述根据预测分割结果去除所述所述移动图片和所述固定图片中的干扰因素的步骤包括：

将所述移动图片和所述固定图片分别与对应的预测分割结果相乘，以去除所述移动图片和所述固定图片中的干扰因素。

进一步地，所述基于去除干扰因素后的所述移动图片和所述固定图片及初始配准网络确定目标位移场的步骤包括：

对去除干扰因素后的所述移动图片和所述固定图片进行合并，对合并图片进行下采样，得到不同分辨率的合并图片；

根据所述不同分辨率的合并图片得到不同分辨率的位移场；

通过位移场级联模块将不同分辨率的位移场合并为目标位移场。

进一步地，所述通过位移场级联模块将不同分辨率的位移场合并为目标位移场的步骤包括：

将第一位移场中X轴和Y轴的位移分别与对应的权重系数相乘，其中，所述第一位移场为分辨率最低的图片对应的位移场；

确定相乘后所述第一位移场对应的第一分辨率，根据所述第一分辨率查找第二位移场，其中，所述第二位移场对应的第二分辨率与第一分辨率相同；

合并所述第一位移场与所述第二位移场；

将合并得到的位移场作为第一位移场，循环上述步骤，直至仅剩一个位移场，即为目标位移场。