[发明专利]基于深度学习的多模态医学图像无监督配准方法及系统

权利要求书

1.基于深度学习的多模态医学图像无监督配准方法，其特征在于包括以下步骤：

S1：利用仿真方法获取不同磁共振序列的多模态MR图像样本：浮动图像、参考图像；

S2：对浮动图像、参考图像以及相应的浮动图像对应的序列信息进行预处理；

S3：将浮动图像、浮动图像相应的序列信息、参考图像输入级联网络，由级联网络子配准网络N1得到初步形变场，将初步形变场以及浮动图像输入空间变换网络得到初步配准图像；

S4：将初步配准图像、原浮动图像相应的序列信息、参考图像输入级联网络子配准网络N2得到最终形变场，将最终形变场以及浮动图像输入空间变换网络得到最终配准图像；

S5：利用初步配准图像与参考图像计算损失函数L_N1，利用最终配准图像与参考图像计算损失函数L_N2，并对两次损失函数进行叠加得到总损失函数，重复执行步骤S3～S5，最小化总损失函数来对所提级联网络进行训练直至最佳配准效果；

S6：获取待配准的实采多模态数据：浮动图像、参考图像；

S7：对待配准的浮动图像、参考图像、相应的浮动图像对应的序列信息进行预处理；

S8：将待配准的浮动图像、参考图像、相应的浮动图像对应的序列信息输入步骤S5训练的级联网络中，再次执行步骤S3～S5即可完成配准，得到最终配准图像。

2.如权利要求1所述基于深度学习的多模态医学图像无监督配准方法，其特征在于在步骤S1中，所述利用仿真方法获取不同磁共振序列的多模态MR图像样本是对所提出深度神经级联网络所需的训练样本进行模拟仿真，首先从公开数据集获取样本模版，利用Rloch方程仿真不同序列有畸变的浮动图像、参考图像；保存浮动图像对应的序列信息：回波链的长度信息、分辨率信息、回波时间TE。

3.如权利要求1所述基于深度学习的多模态医学图像无监督配准方法，其特征在于在步骤S2中，所述预处理的具体步骤为：对模拟仿真浮动图像、参考图像进行尺寸标准化处理；对所述模拟仿真浮动图像、参考图像进行归一化处理；根据标准化的浮动图像以及参考图像的尺寸，设置对应大小的零数组，利用与浮动图像对应的序列信息分别对零数组进行填充，得到与浮动图像相匹配的三张序列信息图。

4.如权利要求1所述基于深度学习的多模态医学图像无监督配准方法，其特征在于在步骤S3中，所述级联网络子配准网络N1采用U型网络为主体网络，所述U型网络结构包括编码器和解码器，所述编码器与解码器之间使用跳跃连接。

5.如权利要求1所述基于深度学习的多模态医学图像无监督配准方法，其特征在于在步骤S4中，所述级联网络子配准网络N2采用U型网络为主体网络，所述U型网络结构包括编码器和解码器，所述编码器与解码器之间使用跳跃连接。

6.如权利要求1所述基于深度学习的多模态医学图像无监督配准方法，其特征在于在步骤S3或S4中，所述空间变换网络由本地化网络、采样网格生成器、采样器三个部分组成，利用采样器可对浮动图像进行重采样。