[发明专利]一种基于全卷积神经网络的PET与CT图像配准方法有效

专利信息
申请号: 201811160982.5 申请日: 2018-09-30
公开(公告)号: CN109272443B 公开(公告)日: 2020-07-28
发明(设计)人: 姜慧研;康鸿健 申请(专利权)人: 东北大学
主分类号: G06T3/00 分类号: G06T3/00;G06T7/00;G06T7/30
代理公司: 北京易捷胜知识产权代理事务所(普通合伙) 11613 代理人: 韩国胜
地址: 110169 辽*** 国省代码: 辽宁;21
权利要求书: 查看更多 说明书: 查看更多
摘要: 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。
搜索关键词: 一种 基于 卷积 神经网络 pet ct 图像 方法
【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。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于东北大学,未经东北大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/patent/201811160982.5/,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top