[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

说明书

本发明提供了一种基于动态级联网络的无监督三维图像刚性配准方法，通过设立两个位移量不同的三维刚性配准网络模型对待配准图片进行配准，并将配准误差作为判断条件，确定配准循环和配准跳出条件，动态调节配准循环深度，提高了配准的效率。

技术领域

本发明涉及医学影像的人工智能处理领域，尤其涉及一种基于动态级联网络的无监督三维图像刚性配准方法。

背景技术

图像配准通过学习图像之间非线性空间对应关系从而将不同的两张图像在同一坐标下对齐，因此其在医学图像处理中具有广泛的应用。例如对齐在不同时间拍摄的一个对象的医疗图像，将一个对象的图像与某个预定义的坐标系(例如解剖图集)进行匹配。

无监督配准网络例如Airnet,速度较快但是其配准准确率较低，难以实现高精度配准特别是难以达到医疗图像的配准效果要求。因此，本发明针对现有无监督配准网络准确率较低的问题，提出一种新的无监督配准网络及其配准方法，其和传统配准方法达到相似的高精度配准效果的同时实现远超传统方法的配准速度。

发明内容

本发明提出了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；