[发明专利]图像配准分割方法及系统

权利要求书

1.一种图像配准分割方法，其特征在于，包括以下步骤：

S1、提供分割配准联合网络模型，其包括配准网络和分割网络；

S2、用全部M对CT-MR图像对以无监督的方式训练配准网络作为预训练，用N对含标签的CT-MR图像对以循环自训练的方式分别训练CT和MR分割网络作为预训练；其中，CT-MR图像对包括CT图像和MR图像；

S3、将全部的I_mr和I_ct依次输入到配准网络生成形变场通过形变场对I_mr进行形变生成预测图像利用与I_ct，与L_ct结构相似的特点来指导配准网络的参数优化；

其中，I_mr和I_CT分别表示MR图像和CT图像；L表示图像的分割标签，其中是CT的人工标签，是CT的算法计算得到的标签；

其中，是人工标注的标签，作为金标准；是分割网络对未标记数据的分割结果；是MR的人工标签，是算法得到的CT标签；L_seg mr是算法得到的MR标签；

其中，表示MR图像的人工标签，表示CT图像的人工标签，表示MR图像的分割结果；表示CT图像的分割结果；

其中，L_mr表示L_mr表示和的合集，φ表示图像变形场，表示L_mrφ表示L_mr的图像变形的合集，L_ct表示Lct表示L_gtct和L_segct的合集；

S4、将全部的I_mr和I_ct依次输入到分割网络生成分割结果和当存在人工标签时，利用与L_gtct/mr结构相似的特点来优化分割网络参数；当不存在人工标签时，利用配准形变场作用于浮动图像分割结果形变得到的与相同的特点约束分割网络的参数优化；

S5、重复步骤S2和S3使两者交替进行，直至最后得到一个训练好的分割配准联合网络模型，将该模型用于进行图像分割配准。

2.根据权利要求1所述的图像配准分割方法，其特征在于，所述分割网络为分割网络Seg-Net，分割网络Seg-Net以浮动图像I_mr、固定图像I_ct和对应的人工标签和作为输入，用于对分割配准联合网络模型进行优化。

3.根据权利要求2所述的图像配准分割方法，其特征在于，所述配准网络为配准网络Reg-Net，配准网络Reg-Net以浮动图像I_mr、固定图像I_ct作为输入，，输出对应的形变场经过形变场的空间变换作用获得最优拟合的输出分割后的标签图像或

4.根据权利要求3所述的图像配准分割方法，其特征在于，分割网络Seg-Net接收输入图像I_mr或I_ct，预测其所需分割的器官轮廓，利用预测轮廓应与真实轮廓相同的特点对分割网络参数θ_seg进行优化，θ_seg计算公式如下：

θ_seg＝argmin(E_seg(L^seg,L^gt))                      (2)

其中，E_seg表示分割部分损失函数，L^seg表示图像的分割结果，L^gt表示图像真实标签。

5.根据权利要求4所述的图像配准分割方法，其特征在于，配准网络Reg-Net中，采用msMIND描述符对图像局部结构进行约束引导图像配准。