[发明专利]基于机器学习的立体核磁共振脑图像弹性配准方法

摘要

本发明涉及一种基于机器学习的立体核磁共振脑图像弹性配准方法，用机器学习的方法得到参考图像中每个点上计算属性向量的最佳尺度，由此得到的最优属性向量和周围各点的属性向量之间保持最大程度的差异性，并和训练样本中对应点上的属性向量保持最大程度的相似性；根据图像中每个点上属性向量的显著性和一致性条件，定义一个评价关键点的标准，通过机器学习的方法自动地层次化地在配准的各个阶段挑选关键点，避免配准过程陷入局部极小值点；最后将基于机器学习的框架和现有的配准算法相结合，完成立体核磁共振脑图像弹性配准。本发明对真实MR图像或模拟MR图像均能提高配准的精确度和鲁棒性，进而为后续的临床应用的可行性和准确性奠定基础。

主权项

1、一种基于机器学习的立体核磁共振脑图像弹性配准方法，其特征在于包括如下步骤：1)训练数据的准备：采集足够的立体核磁共振脑图像建立训练样本集，训练样本集图像中的每个点上应该包括所有可能在图像配准中使用的属性向量，然后从训练样本集中挑选一个样本作为参考图像；对于训练样本集中的每个个体图像，先将其与参考图像进行线性配准，然后再用现有的弹性配准算法进行非线性配准，得到两幅图像之间的位移场，再通过位移场得到两幅图像点和点之间的对应关系，由此得到训练集中所有个体图像与参考图像之间的对应关系；2)最优属性向量的确定：根据参考图像的局部信息，用机器学习的方法确定参考图像中每个点的合适的球形邻域大小，即每个点的最佳尺度，由此计算得到参考图像中每个点上的最优属性向量；其中，最优属性向量必须满足三个条件：1)最优属性向量必须和训练样本中对应点上的属性向量尽可能地保持相似性；2)最优属性向量和周围各点的属性向量之间的差异性为最大；3)最优属性向量所对应的最佳尺度的分布在图像空间中要保证平滑；通过属性向量分布的熵构造反应上述三个条件的能量函数，并用基于梯度下降的最优化方法计算得到参考图像中每个点上的最佳尺度；3)选择关键点：根据参考图像中每个点上的最优属性向量的分布直方图来确定最优属性向量的显著性和一致性，由此定义一个评价函数M(x)＝Sal(x)/Con(x)，其中，分子Sal(x)为显著性指标，分母Con(x)为一致性指标；在每个点上计算M(x)的值，然后根据M(x)的大小排序，来提取参考图像中的关键点；4)图像配准：对待配准的个体图像先进行线性配准，使其大致地变形到参考图像，然后在个体图像每个点上根据参考图像中使用过的属性向量，计算得到个体图像中每个点上对应不同球形邻域的所有属性向量，挑选个体图像中的关键点并使个体图像中的关键点在图像配准过程中保持不变；在弹性配准的每次迭代求解过程中，先挑选参考图像中的关键点，并在个体图像中逐一根据属性向量间的欧氏距离进行相似性比较，确定其在个体图像中的对应点；在弹性配准的每次迭代过程的最后，根据参考图像和个体图像中关键点的对应关系生成两幅图像的位移场，根据该位移场对个体图像进行变形，并把插值后的新图像作为下一次迭代过程的输入，直到满足迭代的终止条件，完成立体核磁共振脑图像的弹性配准。