[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

本發明公開了一種基于卷積神經網絡的醫學圖像配準算法，具體如下：數據采集和預處理；制作神經網絡訓練數據集；訓練神經網絡；神經網絡模型進行粗配準；基于灰度值配準算法進行精配準。本發明能夠巧妙地將卷積神經網絡與傳統的基于灰度值的配準算法相結合，消除卷積神經網絡在醫學圖像處理中，因為缺乏完全標注的輸入樣本、訓練樣本有限等問題，將輸入的一組固定圖像和浮動圖像之間的空間差異快速地計算出來，同時有了神經網絡模型快速得到輸入待配準圖像之間的空間差異，使大的空間差異縮小，避免了基于灰度值配準算法在優化迭代過程中可能得到局部最優解，從何可以快速、精確地計算出兩幅待配準圖像之間的空間差異。

技術領域

本發明屬于快速、精準的醫學圖像配準、多模態醫學圖像融合領域，涉及一種基于卷積神經網絡的醫學圖像配準算法。

背景技術

醫學圖像配準是指在不同時間、不同場景、不同模態，甚至不同主體的兩幅圖像(或多幅圖像)醫學圖像之間尋求一種(或一系列)幾何空間變換，進行空間變換后的圖像能與另外一幅圖像(或者其它多幅)醫學圖像達到匹配。這種匹配使具有相同解剖結構的解剖點或興趣點在兩幅(或者其他多幅)醫學圖像的幾何空間上存在一一對應關系。醫學圖像配準是醫學圖像分析中的重要課題，具有重要的理論研究和臨床應用價值。圖像配準往往是找到一組圖像之間的映射關系，同時也設置到功能影像和解剖影像之間的融合。臨床上對檢測和識別的精度和時間性要求越來越來高，但是面對信息量越來越大的醫學圖像，怎么樣快速、精確地將兩幅圖像完美地配準，一直是研究人員面臨的難題。找到一個能夠快速、精確地實現兩幅圖像配準的算法亟待解決。

深層卷積神經網絡在許多經典計算機視覺和圖像處理領域取得了突破性進展。相較于傳統基于低層次特征的圖像處理方法，深層卷積神經網絡通過大樣本監督訓練，可以學到更多抽象的，不易表達的，高層次的特征，從而對檢測或識別目標有更具分辨性的標識，大幅提高檢測與識別性能。卷積神經網絡在圖像處理領域有它獨特的優勢，將深層卷積神經網絡應用于醫學圖像處理時，依然面臨很多困難，例如訓練樣本相較自然圖像體量有限，缺乏完全標注的輸入樣本。如何將卷積神經網絡的獨特優勢在醫學圖像處理中得到應用，也是研究人員正在研究的問題。

發明內容

本發明的目的在于提供一種基于卷積神經網絡的醫學圖像配準算法，能夠巧妙地將卷積神經網絡與傳統的基于灰度值的配準算法相結合，消除卷積神經網絡在醫學圖像處理中，因為缺乏完全標注的輸入樣本、訓練樣本有限等問題。將輸入的一組固定圖像和浮動圖像之間的空間差異快速地計算出來。同時有了神經網絡模型快速得到輸入待配準圖像之間的空間差異，使大的空間差異縮小，避免了基于灰度值配準算法在優化迭代過程中可能得到局部最優解。從何可以快速、精確地計算出兩幅待配準圖像之間的空間差異。

本發明的目的可以通過以下技術方案實現：

一種基于卷積神經網絡的醫學圖像配準算法，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；