[發明專利]圖像配準方法、計算機設備和存儲介質

在審

• 申請號: 202010729434.0
• 申請日: 2020-07-27
• 公開（公告）號: CN111951311A
• 公開（公告）日: 2020-11-17
• 發明（設計）人: 馬姍姍;曹曉歡;薛忠
• 申請（專利權）人: 上海聯影智能醫療科技有限公司
• 主分類號: G06T7/33
• 分類號: G06T7/33;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 北京華進京聯知識產權代理有限公司 11606
• 代理人: 喬改利

1.一種圖像配準方法，其特征在于，所述方法包括：

獲取原始參考圖像和原始浮動圖像以及獲取多種處理方式；所述多種處理方式用于使所述原始參考圖像上不同的關鍵區域以及所述原始浮動圖像上不同的關鍵區域更清晰；

采用所述多種處理方式分別對所述原始參考圖像以及所述原始浮動圖像進行圖像處理，得到所述原始參考圖像對應的各個參考特征圖和所述原始浮動圖像對應的各個浮動特征圖；

將各所述參考特征圖和各所述浮動特征圖輸入至訓練好的配準模型中進行配準處理，得到所述原始浮動圖像和所述原始參考圖像之間的空間變換關系；

利用所述空間變換關系對所述原始浮動圖像進行空間變換處理，得到所述原始浮動圖像對應的轉換浮動圖像。

2.根據權利要求1所述的方法，其特征在于，在所述采用所述多種處理方式分別對所述原始參考圖像以及所述原始浮動圖像進行圖像處理，得到所述原始參考圖像對應的各個參考特征圖和所述原始浮動圖像對應的各個浮動特征圖之前，所述方法還包括：

展示所述多種處理方式；

獲取用戶從所述多種處理方式中選擇的一種或者多種處理方式。

3.根據權利要求1所述的方法，其特征在于，所述獲取多種處理方式，包括：

對所述原始參考圖像中的關鍵區域進行識別處理，得到所述原始參考圖像中的多個關鍵區域；

根據各所述關鍵區域在所述原始參考圖像上的像素分布情況，確定與各所述關鍵區域的像素分布情況相對應的窗寬和窗位，得到多組窗寬和窗位的組合；

將所述多組窗寬和窗位的組合確定為所述多種處理方式。

4.根據權利要求1所述的方法，其特征在于，所述獲取多種處理方式，包括：

獲取所述不同的關鍵區域各自對應的窗寬和窗位，得到多組窗寬和窗位的組合；所述不同的關鍵區域為所述原始參考圖像上不同的關鍵區域或所述原始浮動圖像上不同的關鍵區域，每組窗寬和窗位對應一個所述關鍵區域的像素分布情況；

將所述多組窗寬和窗位的組合確定為所述多種處理方式。

5.根據權利要求1-4任意一項所述的方法，其特征在于，所述配準模型的訓練方式包括：

獲取訓練圖像集；所述訓練圖像集包括多個訓練圖像對，每個訓練圖像對包括一個訓練參考圖像和對應的一個訓練浮動圖像；

采用所述多種處理方式對各所述訓練圖像對進行圖像處理，得到每個訓練圖像對所對應的各個訓練參考特征圖和各個訓練浮動特征圖；

基于每個所述訓練圖像對所對應的各個訓練參考特征圖和各個訓練浮動特征圖對初始配準模型進行訓練，得到所述配準模型。

6.根據權利要求5所述的方法，其特征在于，所述基于每個所述訓練圖像對所對應的各個訓練參考特征圖和各個訓練浮動特征圖對初始配準模型進行訓練，得到所述配準模型，包括：

將每個所述訓練圖像對所對應的各個訓練參考特征圖和各訓練浮動特征圖輸入至所述初始配準模型中進行配準處理，得到每個訓練圖像對所對應的預測空間變換關系；

利用所述預測空間變換關系對各所述訓練浮動特征圖進行空間變換處理，得到各所述訓練浮動特征圖對應的轉換特征圖；

根據每個所述訓練圖像對所對應的預測空間變換關系和各所述轉換特征圖，對所述初始配準模型進行訓練，得到所述配準模型。

7.根據權利要求6所述的方法，其特征在于，所述根據每個所述訓練圖像對所對應的預測空間變換關系和各所述轉換特征圖，對所述初始配準模型進行訓練，得到所述配準模型，包括：

根據每個所述訓練圖像對所對應的預測空間變換關系，得到每個所述訓練圖像對所對應的第一損失；

計算各所述轉換特征圖和對應的訓練參考特征圖之間的損失，得到每個所述訓練圖像對所對應的第二損失；

利用所述第一損失和所述第二損失對所述初始配準模型進行訓練，得到所述配準模型。