[发明专利]一种基于全卷积神经网络的PET与CT图像配准方法

摘要

本发明涉及一种基于全卷积神经网络的PET与CT图像配准方法；包括：获取待配准的PET与CT二维图像，通过尺寸预处理后获取待配准的PET与CT图像块并输入到预先训练的全卷积神经网络中，获取配准图像；其中，训练全卷积神经网络包括以下步骤：101、获取用于训练的PET和CT样本图像块；102、构建全卷积神经网络，获取形变场；103、通过形变场和PET图像块获取训练配准图像；104、获取总损失函数L，并通过L更新网络权重参数；105、遍历用于训练的PET和CT样本图像块，更新网络权重参数，获全卷积神经网络；本发明计算成本小，结合相似性度量和限制形变场平滑度，从而限制图像的过度形变，配准效率高。

主权项

1.一种基于全卷积神经网络的PET与CT图像配准方法，其特征在于，包括：获取待配准的PET与CT二维图像，通过尺寸预处理后获取待配准的PET与CT图像块并输入到预先训练的全卷积神经网络中，获取配准图像；其中，训练全卷积神经网络包括以下步骤：101、预先获取多幅PET和CT二维样本图像，进行尺寸预处理，获取用于训练的PET和CT样本图像块；102、构建全卷积神经网络，初始化网络权重参数，设置迭代次数，将用于训练的PET和CT样本图像块作为全卷积神经网络的输入，通过多次卷积、池化和反卷积生成形变场；103、通过对形变场和PET图像块进行空间变换获取训练的配准图像；104、根据训练配准图像和PET图像块获取相似度量Lsim，根据形变场获取限制形变场平滑度Lsmooth，根据公式一和公式二获取总损失函数L，通过总损失函数L更新网络权重参数；公式一：L＝m1*L1+m2*L2......+mn*Ln；式中，m1+m2.....+mn＝1，m1、m2……mn均为常数；公式二：L(F,M,Dv)＝Lsim(F,MDv)+λLsmooth(Dv)；式中，Lsim为相似性度量，F为CT图像块，MDv为，Lsmooth为形变场的平滑度，Dv为位移矢量矩阵，λ为常数；105、遍历用于训练的PET和CT样本图像块，重复执行步骤103‑105，多次迭代训练并更新网络权重参数，直至迭代次数达到预设值，获取预先训练的全卷积神经网络。