[发明专利]一种融合边界损失的心脏磁共振图像配准方法

说明书

针对现有U‑net网络在心脏磁共振图像配准任务中存在的边界失配问题，本发明公布了一种融合边界损失的心脏磁共振图像配准方法。提出了改进的BL‑Unet配准算法，通过在网络的损失函数中增加边界损失函数（Boundary Loss,BL）使得心脏配准任务中子结构的边界配准更加清晰，在一定程度上解决了配准中存在的边界失配问题，极大的提升了配准的精度。发明方法在MM‑WHS2017公开数据集中进行验证和测试。与当前先进配准算法VoxelMorph相比，本发明的方法在配准指标上更优，说明发明的方法能够实现更好的配准结果。因此，本发明在心脏磁共振图像配准任务中具有良好的应用前景。

技术领域

本发明属于医学图像处理技术领域，具体涉及到一种用于心脏磁共振图像配准的方法。

背景技术

由国家心血管病中心组织编撰的《中国心血管病报告2018》显示，中国心血管病防治工作在取得初步成效的同时，又面临新的严峻挑战。总体上看，中国心血管病患病率及死亡率仍处于上升阶段。推算心血管病现患人数2.9亿，心血管病死亡率仍居首位，占居民疾病死亡构成的40％以上，特别是农村近几年来心血管病死亡率持续高于城市。心脑血管病住院总费用也在快速增加，2004年至今，年均增速远高于国民生产总值增速。因此，对心脏疾病的防治变得尤为重要。

心脏磁共振图像作为临床心脏疾病诊断中最常见的非入侵式辅助诊断工具，能够为医生提供可靠的诊断依据。心脏磁共振图像的配准任务作为常见的医学影像处理方式，能够为医生提供更多的病理信息，在心脏疾病的早期检查，手术导航和预后回访中发挥着极大作用，也极大的降低了心脏疾病患者的风险。因此，配准任务的精度对医生判断病情就变得尤为重要。

传统配准算法能够实现较好的配准精度，但是配准速度较慢。随着计算机硬件的发展和深度学习网络的出现，使用深度学习的方法来实现高质量的配准任务成为当下的研究热点。目前的配准算法能够在同一数据集中发现其内在联系，模型一次训练即可多次使用，极大了提升了配准的效率。然而，目前基于深度学习配准算法的精度难以达到临床应用级别的要求。通过对配准结果分析发现，由于心脏子结构大多存在粘连的情况，配准的边界较为模糊，最终导致配准的精度较差。本发明针对现有配准算法中普遍存在的结构失配问题，在网络的损失函数中增加了边界损失BL，通过提升待配准图像边界的匹配程度来提升网络的配准性能。

发明内容

本发明为了解决目前心脏磁共振配准方法广泛存在的边界失配问题，提供一种融合边界损失的心脏磁共振图像配准方法。

本发明通过以下技术方案实现：一种融合边界损失的心脏磁共振图像配准方法。首先对心脏图像进行预处理，降低训练过程中的参数；之后对发明的BL-Unet网络进行300周期每个周期迭代100次共计30000次的训练；之后使用训练得到的最优权重模型将浮动图像配准到固定图像中，得到最终的配准结果。

(1)数据预处理：对MM-WHS2017公开数据集中的20幅MRI图像进行仿射变换到MNI152空间坐标系下，之后对数据进行归一化和裁剪的处理。将数据的大小裁剪为160×160×16以节约计算内存。

(2)训练阶段：将预处理后的数据按照3:1:1的比例随机分配为训练、验证和测试集，之后将训练数据作为浮动图像和配准图像输入BL-Unet中进行训练。使用BL来衡量配准图像和固定图像之间的差异，以进行反向传播，促使网络对变形场进行调整。

本发明提出的BL-Unet网络的主要创新在：

BL-Unet的网络流程图如图2所示。通过将边界损失(结构如图1所示)融合到损失函数中，得到发明提出的BL-Unet。BL的增加使得配准结果中的边界失配现象得到解决，从而提升了配准的效果。

(3)测试阶段：随机选取MM-WHS2017中的4幅图像作为测试数据集，使用第二步中训练保存的最优权重模型进行测试，在空间转换网络中得出最终的配准结果。