[發明專利]基于對抗學習的醫學圖像配準方法及系統

有效

• 申請號: 202110201012.0
• 申請日: 2021-02-23
• 公開（公告）號: CN112802072B
• 公開（公告）日: 2022-10-11
• 發明（設計）人: 李國強
• 申請（專利權）人: 臨沂大學
• 主分類號: G06T7/33
• 分類號: G06T7/33;G06N3/04;G06N3/08;G16H30/20
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 李琳

1.一種基于對抗學習的醫學圖像配準方法，其特征在于，包括：

獲取醫學圖像對，所述醫學圖像對包括浮動圖像和固定圖像；

構建對抗學習網絡模型，所述對抗學習網絡模型包括一個生成網絡和兩個判別器；

對醫學圖像對通過生成網絡得到形變場和經形變場形變后的浮動圖像；

對形變后的浮動圖像和固定圖像通過判別器進行真假判斷和相似性判斷；

將真假判斷結果和相似性判斷結果反饋至生成網絡后，對形變場進行優化；

根據優化后的形變場對待配準醫學圖像進行配準；

所述判別器包括真假判別器和相似性判別器，根據真假判別器對形變后的浮動圖像和固定圖像進行真假判斷，根據相似性判別器對形變后的浮動圖像和固定圖像進行相似度判斷；

所述相似性判別器采用孿生網絡。

2.如權利要求1所述的一種基于對抗學習的醫學圖像配準方法，其特征在于，所述通過生成網絡得到形變場包括：

采用4次下采樣卷積操作，依次將醫學圖像對的體素空間大小在每個方向上減少一半；

采用4次上采樣卷積操作，將醫學圖像對的體素空間大小在每個方向上擴大一倍，且與下采樣卷積操作過程中相同大小的特征層進行連接操作。

3.如權利要求2所述的一種基于對抗學習的醫學圖像配準方法，其特征在于，所述下采樣卷積操作為：經過一個卷積核為3*3*3，步長為2的卷積操作，利用LeakyReLU函數進行激活操作。

4.如權利要求1所述的一種基于對抗學習的醫學圖像配準方法，其特征在于，所述真假判別器的結構與生成網絡結構一致，在上采樣過程中，在不同分辨率下進行一次Dense操作，輸出不同尺度下的相似值，構建多尺度損失函數。

5.如權利要求1所述的一種基于對抗學習的醫學圖像配準方法，其特征在于，所述相似性判別器的孿生網絡包括3組卷積-池化層、一個全連接操作，最后由sigmoid激活函數輸出相似值。

6.如權利要求1所述的一種基于對抗學習的醫學圖像配準方法，其特征在于，包含一個生成網絡和兩個判別器的對抗網絡的損失函數為：

L＝γL_R+(1-γ)L_s

其中，γ為超參數，取值為0或者1；L_R、L_s為生成網絡損失函數。

7.一種基于對抗學習的醫學圖像配準系統，其特征在于，包括：

數據獲取模塊，被配置為獲取醫學圖像對，所述醫學圖像對包括浮動圖像和固定圖像；

模型構建模塊，被配置為構建對抗學習網絡模型，所述對抗學習網絡模型包括一個生成網絡和兩個判別器；

生成模塊，被配置為對醫學圖像對通過生成網絡得到形變場和經形變場形變后的浮動圖像；

判別模塊，被配置為對形變后的浮動圖像和固定圖像通過判別器進行真假判斷和相似性判斷；

優化模塊，被配置為將真假判斷結果和相似性判斷結果反饋至生成網絡后，對形變場進行優化；

配準模塊，被配置為根據優化后的形變場對待配準醫學圖像進行配準；

所述判別器包括真假判別器和相似性判別器，根據真假判別器對形變后的浮動圖像和固定圖像進行真假判斷，根據相似性判別器對形變后的浮動圖像和固定圖像進行相似度判斷；

所述相似性判別器采用孿生網絡。

8.一種電子設備，其特征在于，包括存儲器和處理器以及存儲在存儲器上并在處理器上運行的計算機指令，所述計算機指令被處理器運行時，完成權利要求1-6任一項所述的方法。

9.一種計算機可讀存儲介質，其特征在于，用于存儲計算機指令，所述計算機指令被處理器執行時，完成權利要求1-6任一項所述的方法。