[发明专利]一种医学图像中无监督的关键点定位和目标检测方法

权利要求书

1.一种医学图像中无监督的关键点定位方法，该方法包括：

步骤1：训练数据和参考图像的收集

收集一批包含目标的三维医学图像，从这些图像中选择一个或多个作为参考图像；

步骤2：位移网络的搭建

设在训练集中的一幅三维图像中，x_q与x_s表示大小为D×H×W的两块子区域，其中x_q称为查询图像块，x_s称为参考图像块，D,H和W分别表示该三维图像块在z,y和x方向上的大小；设x_q与x_s的中心点分别为c_q和c_s，使用一个位移网络来预测从x_q的中心点c_q到x_s的中心c_s在三维空间中的物理位移；c_q到x_s的真实位移通过图像的层间距e、c_q与c_s在图像中的坐标计算得到：

其中‖·‖₂表示向量的L2范数，°表示向量对应元素相乘；

设位移网络的参数为θ，其预测结果表示为d_qs＝f(θ；x_q,x_s)，该位移网络预测结果的损失函数L_p为：

步骤3：位移网络的训练

对位移网络针对大尺度和小尺度分别训练一个模型，分别用于粗略定位和精细定位，这两个模型分别记为位移网络-L和位移网络-S；

训练位移网络-L的过程如下：将公式3中的参数r设置成一个大于设定阈值的数r＝r₀，从同一幅训练图像中的整个图像范围内随机抽取两个大小为D×H×W的图像块组成一对图像块，设每次迭代过程的一个批次包含随机提取P对图像块，其中第i对的两个图像块分别表示为x_qi和x_si，该批次的损失函数为：

其中L_p的定义如公式2所示，利用公式4中的损失函数迭代训练，直到损失函数收敛；

针对位移网络-S的训练过程与位移网络-L的训练过程类似，不同的是采用局部范围内的图像块进训练：将公式3中的参数r设置成一个小于设定阈值的数r＝r₁，从同一幅训练图像中的局部范围内随机抽取两个大小为D×H×W的图像块组成一对图像块，具体操作为：先从整个图像范围内随机选择一个D×H×W的图像块作为x_qi，再随机选择一个与x_qi的距离小于r₁的同样大小的图像块作为x_si；在每次迭代过程中的一个批次包含P对这样的图像块，然后利用公式4中的损失函数进行迭代更新，直到损失函数收敛，从而得到训练好的位移网络-S模型；训练后的位移网络-L和位移网络-S的模型参数分别记为θ₀和θ₁；

步骤4：基于位移网络位-L和位移网络-S的关键点定位

对于一幅参考图像中给定的关键点，以该点为中心，取大小为D×H×W的图像块作为参考图像块x′_s；对于一幅新图像，通过位移网络-L和位移网络-S由粗到细逐渐找到该图像中对应的关键点的位置c_q，具体过程如下：

a)从当前的待处理图像中选取一个初始位置c₀，以c₀为中心取一个大小为D×H×W的图像块x_q0作为查询图像块,将x_q0和x′_s作为粗略位移网络位移网络-L的输入，得到其输出位移向量记为d₀＝f(θ₀；x_q0,x′_s),利用c₀和d₀得到一个新的位置c₁＝c₀+d₀；

b)在当前待处理图像中，以c₁为中心取一个大小为D×H×W的图像块x_q1作为查询图像块，仍然以x′_s作为参考图像块，将x_q1和x′_s作为精细位移网络-S的输入，得到其输出位移向量记为d₁＝f(θ₁；x_q1,x′_s),利用c₁和d₁得到一个新的位置c₂＝c₁+d₁；将c₂作为当前图像中关键点的检测结果,即c_q＝c₂。