[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

说明书

基于深度学习的多模态医学图像无监督配准方法及系统，涉及医学图像配准。制作模拟仿真样本，将浮动图像、参考图像及浮动图像的序列相关信息输入配准子网络N1，利用所得形变场对浮动图像重采样得初步配准图像；将初步配准图像、参考图像及原序列相关信息输入配准网络N2，利用所得最终形变场对初步配准图像重采样得最终配准图像，通过计算配准图像与参考图像间的损失函数对网络优化从而达到非刚性医学图像的精确配准。系统设有数据仿真模块、网络训练样本预处理模块、神经网络模型训练模块、待配准样本及序列信息预处理模块和无监督配准模块。解决深度学习方法对数据样本的依赖性。只需协同输入待配准浮动图像的序列信息图即可精确完成配准。

技术领域

本发明涉及医学图像配准，尤其是涉及一种基于深度学习的多模态医学图像无监督配准方法及系统。

背景技术

医学图像配准是指对于浮动医学图像寻求一种或一系列空间变换,使它与参考医学图像上的对应点达到空间上的一致，可以通过医学图像配准使得浮动图像和参考图像上具有诊断意义的解剖点的空间位置达到匹配。目前，医学图像配准有多个分支，根据配准的医学图像模态类型分为单模态医学图像配准与多模态医学图像配准，根据空间变换的类型分为刚性医学图像配准与非刚性医学图像配准。其中，非刚性医学图像配准引起非常广泛的关注，在手术引导、放射治疗以及智能诊断等领域起到至关重要的作用。

医学图像配准领域涌现大量的传统算法来解决非刚性医学图像配准。Thirion等人(J.-P. Thirion,“Image matching as a diffusion process:an analogy withMaxwell’s demons,”Medical Image Analysis,vol.2,no.3,p.243–260,1998.)提出的demons方法通过估计两个相邻图像之间的速度矢量场之间来进行配准，详细地说，他们计算光流，使用高斯滤波器来平滑流图，并通过多次迭代来优化每对图像的预测。Beg等人(M.F.Beg,M.I.Miller,A.Trouve,andL.Younes, “Computing large deformation metricmappings via geodesic flows of diffeomorphisms,” Internationaljournalofcomputervision,vol.61,no.2,pp.139–157,2005.)提出的LDDMM(大位移差分度量映射)方法，通过推导和实现欧拉-拉格朗日优化算法来计算粒子流，解决全局变分问题并估计图像的度量。SyN(B.B.Avants,C.L.Epstein,M.Grossman,and J.C.Gee, “Symmetricdiffeomorphic image registration with cross-correlation:evaluating auto-matedlabeling of elderly and neurodegenerative brain,”Medical image analysis,vol.12,no.1,pp. 26–41,2008.)则是医学图像配准中应用最广泛的传统算法，提出一种基于欧拉-拉格朗日优化的对称图像归一化方法。综上，这些传统的非刚性医学图像配准方法无一例外都需要进行大量的迭代优化、计算量大、耗时长。