[发明专利]一种基于GAN的多模态脑部图像配准方法

说明书

随着影像技术的发展，各种成像设备的出现为现代医学的进步作出了巨大的贡献，但由于成像原理的限制，单一模态的影像技术通常只能提供单一且有限的信息，因此为了提高诊断的准确性和治疗的有效性，医生往往需要融合不同模态图像的信息以了解病变组织或器官的综合信息。为了实现对脑部图像进行的高效、快速配准，便于医生进行治疗，提出了一种基于基于生成对抗网络的配准方法。在生成器中采用U‑Net的编码器‑解码器结构，编码器获取浮动图像到固定图像的变换参数，解码器恢复特征图尺寸，通过在相似度测度上使用基于归一化互信息的医学图像配准，以梯度下降法作为图像配准的优化算法，分别在CT单模态和CT‑MRI多模态序列图像中分别进行试验，对比使用原始的归一化互信息计算方法与改进的归一化互信息方法得到的配准结果。本发明能够通过自动学习同一数据集之间的映射联系，增强模型的泛化能力。本发明能实现精确、快速的配准。

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脑部图像配准的方法。

背景技术

医学图像作为解剖区域内部结构和内部功能的视觉表征，向人们传递着至关重要的信息，是医生进行疾病观察、诊断和治疗的重要依据。但是不同的成像设备有着不同的优缺点，例如超声成像低成本，快捷作用，是目前一些疾病普查和孕妇胎检的主要手段，但是超声图像噪声明显，成像部位和深度都有很大的局限性；MRI 对人体组织中水含量的变化非常敏感，对人体软组织有很好的成像效果，但容易受金属的影响，而且扫描时间较长，伪影较多；CT 对于人体器官中的血管，以及器官的解剖结构成像清晰，分辨率高，但是有辐射危害，对于孕妇和小孩并不适用；PET 则是用来分析人体器官的功能信息（如新陈代谢等），对于疾病的早期诊断有着极高的敏感性，但成像质量较低，远不如CT，MRI 那么清晰。所以急需一种将这些图像融合到一起便于医生去观察的方法，使医生判断准确工作效率更高。

医学图像配准（Registration）是指通过一系列的空间变换使两幅图像达到空间位置匹配的过程，主要应用于临床治疗中的病灶检测、疾病诊断、手术规划、手术导航、疗效评估等方面。目前，在临床诊断的过程中一般由经验丰富的专家根据现有的临床医学知识、个人经验和空间想象力进行人工配准。人工配准的方法不仅耗时费力，而且配准的结果因人而异具有很强的主观性。医生在长时间工作的情况下也会因为疲劳而导致较大的误差。因此，利用现代计算机代替人工配准的技术，不仅可以节约更多的医疗资源，还可以实现更加实时、准确、高效的图像配准，挽救更多患者的生命。

传统非刚性医学图像配准方法主要分为基于特征和基于灰度两大类。基于特征的配准方法包括特征提取（点特征、线特征、面特征、边缘）、特征匹配、形变位移场参数估计、图像变换四个步骤。基于特征的非刚性医学图像配准计算量小、运算速度快，但通常特征点选取过程繁琐需要人工操作缺乏自动性， 操作者水平差异直接影响特征点选取的准确性。

当前，医学图像配准的主要应用领域为：疾病诊断和监测，手术导航，放射治疗。

发明内容

由于在传统的医学图像配准中。存在速度慢，准确度低的情况。提供一种使用生成对抗网络自动准确配准脑部图像的方法。

本发明通过以下技术方案实现：一种基于生成对抗网络脑部图像配准方法。通过在生成器上使用U型卷积网络的编码解码网络结构提取的抽象特征并进行细节的恢复，得到与固定图像相似的图像。判别网络将生成模型得出的图像与固定图像一同输入深度卷积网络，判别网路进行判别。通过生成模型和判别模型的相互抗衡调节网络参数权重，二者达到平衡时网络使整体网络收敛。

（1）数据预处理：

a.首先利用磁共振数据处理软件 FreeSurfer对原始图像进行了颅骨剥离和重采样。recon-all 是 FreeSurfer 的核心命令之一，它包含 30多个子处理命令，用于完成FreeSurfer 皮质重建的部分或全部过程。本文利用该命令对原始数据进行头骨去除、颈部去除、强度归一化、灰质白质分割等处理，从而获取brainmask.mgz 和 aseg.mgz 数据特征提取。