[發明專利]一種基于卷積神經網絡的醫學圖像配準算法

在審

• 申請號: 201811446042.2
• 申請日: 2018-11-29
• 公開（公告）號: CN109584283A
• 公開（公告）日: 2019-04-05
• 發明（設計）人: 宋云濤;姚智鑫;馮漢升;李實;楊洋;許繼偉;劉春波;汪濤
• 申請（專利權）人: 合肥中科離子醫學技術裝備有限公司
• 主分類號: G06T7/33
• 分類號: G06T7/33
• 代理公司: 北京和信華成知識產權代理事務所(普通合伙) 11390
• 代理人: 胡劍輝

1.一種基于卷積神經網絡的醫學圖像配準算法，其特征在于，具體如下：

第一步，數據采集和預處理：從醫院獲取多組患者不同模態的融合數據，同時將醫院采集的圖像數據進行處理和分類；

第二步，制作神經網絡訓練數據集：將第一步中分類好的成組數據選取一組，這一組圖像近似認為其空間差異為零，假設這一組圖像分別為固定圖像I_fixed和浮動圖像I_floating，選取其中的一個作為浮動圖像，將浮動圖像通過剛體變換矩陣進行變換，并將該剛體變換矩陣轉換為六個自由度的標簽值；然后將浮動圖像通過一個剛體變換矩陣變換得到新的浮動圖像，將新的浮動圖像、固定圖像以及標簽值作為神經網絡訓練數據集中的一個基本元素，當訓練集中元素個數沒有達到指定數值，重復上步操作使輸入數據的數量達到指定數值；

第三步，訓練神經網絡：利用神經網絡訓練集中的數據，每一組基本數據都包含第二步中處理的一個浮動圖像，一個固定圖像，以及這兩個圖像之間精確地空間差異標簽值；神經網絡訓練集中的固定圖像，浮動圖像作為神經網絡的輸入層，經過中間的卷積層，池化層，提取輸入層的特征，通過回歸網絡預測二者之間的空間誤差，將預測值和實際標簽值作為TRE損失函數的輸入，通過迭代確定每一層的權值因子，經過損失函數優化每一次計算參數，當損失值達到預定的精度時，神經網絡訓練完成；

第四步，神經網絡模型進行粗配準：一組未知空間差異的固定圖像和浮動圖像，輸入到第三步中訓練好的神經網絡模型中，通過該模型快速預測輸入的固定圖像，浮動圖像之間的空間差異，并將該空間差異轉化為初始化矩陣；

第五步，基于灰度值配準算法進行精配準：第四步中的固定圖像、浮動圖像、初始化矩陣作為基于灰度值配準算法的輸入，初始化矩陣縮小了浮動圖像和固定圖像之間的空間差異，經過空間插值重采樣、相似性測量、優化迭代，計算出二者之間精確地空間差異。

2.根據權利要求1所述的一種基于卷積神經網絡的醫學圖像配準算法，其特征在于，第一步中圖像處理與分類過程如下：將從醫院采集的醫學圖像剔除床板，對輸入圖像進行裁剪，使輸入圖像的大小一致，然后將剪裁后的圖像按照頭部、胸腔、腹腔、盆腔這個四個大類別進行分類。

3.根據權利要求1所述的一種基于卷積神經網絡的醫學圖像配準算法，其特征在于，第二步中剛體變換矩陣轉換為沿X、Y、Z軸的平移和旋轉，用T(pitch,yam,roll,t_x,t_y,t_z)這六自由度參數表示新的浮動圖像和固定圖像之間的空間差異，并作為這一組圖像的標簽值；

其中

4.根據權利要求1所述的一種基于卷積神經網絡的醫學圖像配準算法，其特征在于，第三步中損失函數TRE的計算公式如下：

式中T_i為每一次回歸網絡的預測值，T₀為神經網絡的標簽值。