[发明专利]图像配准分割方法及系统

说明书

本发明公开了一种图像配准分割方法及系统，包括以下步骤：S1、提供分割配准联合网络模型；S2、预训练配准网络和分割网络；S3、对配准网络进行参数优化；S4、对分割网络进行参数优化；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。本发明提供的图像配准分割方法及系统，从全局的解剖结构轮廓和局部的结构信息两点入手，一方面利用器官标签对配准的约束来引导图像配准，并将配准与分割网络联合，只需少量人工标注即可完成全部图像的标签引导；另一方面提出msMIND对图像局部结构进行约束引导图像配准，能够实现高精度的多模态医学图像配准。

技术领域

本发明涉及医学图像处理领域，特别涉及一种图像配准分割方法及系统。

背景技术

多模态医学图像存在图像灰度分布差异巨大的特性，导致传统的多模态医学图像配准精度较低，计算速度缓慢。

深度学习配准方法从大样本医学图像中自动学习多模态图像之间的特征，具有提升多模态医学图像配准精度的巨大潜力。但是，现有的多模态图像深度学习配准方法存在以下问题：

1、需要大样本的逐像素组织标注结果，其高质量的标注数据难以获取，制约了配准精度提升；

2、现有的多模态医学图像深度学习配准方法难以感知多模态医学图像之间大形变区域，制约了大形变区域的配准精度。

所以，现在有必要对现有技术进行改进，以提供更可靠的方案。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种图像配准分割方法及系统。

为解决上述技术问题，本发明采用的技术方案是：一种图像配准分割方法，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_gt ct和L_seg ct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_gt ct/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；