[发明专利]一种基于动态级联网络的无监督三维图像刚性配准方法

权利要求书

1.一种基于动态级联网络的无监督三维图像刚性配准方法，其特征在于，包括下列步骤：

S1：建立两个位移量及旋转角度不同的三维刚性配准网络模型A₁和A₂并加以训练，其中A₁为位移量及旋转角度调整范围大的网络模型，A₂为位移量及旋转角度调整范围小的网络模型；并计算待配准图片M与固定图片F之间的初始差别值(F-M)，记为Loss_ini

S2：使用三维刚性配准网络模型A₁对固定图片F和待配准图片M进行配准，得到初配准后图片R₀，并计算本轮配准后图片R₀与固定图片F之间的差别值(F-R₀)，记为Loss_t；

S3：使用三维刚性配准网络模型A₂对固定图片F和上轮配准后图片R₀进行配准，得到继续配准后图片R₁，并计算继续配准后图片R₁与固定图片F之间的差别值(F-R₁)，记为Loss_t+1；

S4：对Loss_t+1与Loss_t进行比较判断：

如果Loss_t+1大于等于Loss_t，则分别使用三维刚性配准网络模型A₁和A₂对继续配准后的结果图片R₁和固定图片F进行一轮配准，并计算三维刚性配准网络模型A₁和A₂配准，得到再次配准后图片R₂₁和R₂₂，计算差别值(F-R₂₁)和(F-R₂₂)，并将(F-R₂₁)和(F-R₂₂)的最小值记为Loss_t+2；

如果Loss_t+1小于Loss_t，则使用三维刚性配准网络模型A₂对固定图片F和继续配准后图片R₁进行配准，并计算配准后图片与固定图片F的差值，直至Loss_t+1大于Loss_t；

S5：对Loss_t+2与Loss_t进行比较判断：

如果Loss_t+2大于等于Loss_t，则把Loss_t+2对应的配准图片做为输出；

如果Loss_t+2小于Loss_t，则等同于Loss_t+1大于等于Loss_t的情形进行处理。

2.根据权利要求1所述的基于动态级联网络的无监督三维图像刚性配准方法，其特征在于，所述差别值Loss的计算方法为：

用图像配准人工智能网络模型的输出减去固定图片得到的差值即为差别值。

3.根据权利要求2所述的基于动态级联网络的无监督三维图像刚性配准方法，其特征在于，获得所述图像配准人工智能网络模型输出的方法为：

所述移动图片减去所述固定图片的差值输入空间变换矩阵网络(Spatialtransformer net)。

4.根据权利要求3所述的基于动态级联网络的无监督三维图像刚性配准方法，其特征在于，基于Unet结构构建所述图像配准人工智能网络模型，优选使用CNN网络结构。

5.根据权利要求4所述的基于动态级联网络的无监督三维图像刚性配准方法，其特征在于，在Unet结构中使用池化(Pooling)方式实现人工智能网络模型中编码器的降维。

6.根据权利要求4所述的基于动态级联网络的无监督三维图像刚性配准方法，其特征在于，在Unet结构中使用Resnet结构的残差块增加单个人工智能网络模型的深度。