[发明专利]基于预测多层次变形场的医学图像配准方法

权利要求书

1.基于预测多层次变形场的医学图像配准方法，其特征在于，包括下列步骤：

第一步：针对人体软组织解剖结构和病灶影像，提取多个尺度下的医学图像特征，通过对原始尺寸的图像进行多尺度特征采样，生成N个具有不同分辨率的图像特征对；

第二步：通过不同分辨率下的医学图像特征计算损失映射，将信息送入到变形场估计网络模块，提供先验知识，通过计算不同特征之间的损失误差，对两幅医学图像特征进行匹配处理，使得变形场生成模块获取更多的医学图像内在特征信息；

第三步：不同分辨率下的医学图像特征预测不同分辨率下的变形场，针对医学图像复杂的轮廓等特征信息，使用网络学习多层次下的变形场能够更加充分利用医学图像内在特征，使用后处理方法，利用上下文信息对变形场进行后处理；

第四步：待配准图像与原分辨率下的变形场进行空间转换得到配准图像；

重复步骤2、3，最终经过上采样得到最终原分辨率下的目标变形场，将待配准图像和目标变形场进行空间转换操作得到配准图像。

2.如权利要求1所述的基于预测多层次变形场的医学图像配准方法，其特征在于，所述的损失映射方法，具体如下：

在低分辨率的特征层次上进行特征损失映射计算；首先将上层次得到的变形场上采样，与移动图像特征使用空间变换网络中的warp操作进行变换，得到moved图像特征；将L1error损失映射定义为第一个图像的特征与第二个图像特征变形后之间的1范数，定义如下：

L1_cost＝|ρ(fixed_i,moved_i)| (1)

其中，i代表处在特征金字塔的层次，Ω×Rⁿ→R是指fixed图像特征和经过变形场变换的moved图像特征之间的数据残差项；L1损失映射量将作为送入变形场估计器的额外输入，借鉴模型驱动方法，为该模块提供关于数据项的领域知识。

3.如权利要求1或2所述的基于预测多层次变形场的医学图像配准方法，其特征在于，所述的变形场估计方法，具体如下：

变形场估计方法是一个多层卷积神经网络；通过对不同分辨率层次下的特征进行匹配，最终得到当前分辨率层次下从移动图像到配准图像的变形场；特征转换模块使用损失映射，moved图像特征，以及经过前一层上采样之后的变形场作为输入，输出当前层变形场。

4.如权利要求1或2所述的基于预测多层次变形场的医学图像配准方法，其特征在于，所述的所述后处理方法，具体如下：

所提出的后处理方法是在上下文网络中采用空洞卷积来有效地扩大感受野大小；该上下文网络从变形场估计器获取最后一层的变形场和特征，对其进行后处理，输出更加精细的变形场。

5.如权利要求3所述的基于预测多层次变形场的医学图像配准方法，其特征在于，所述的所述后处理方法，具体如下：

所提出的后处理方法是在上下文网络中采用空洞卷积来有效地扩大感受野大小；该上下文网络从变形场估计器获取最后一层的变形场和特征，对其进行后处理，输出更加精细的变形场。