[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

本發明公開一種基于對抗學習的醫學圖像配準方法及系統，包括：獲取醫學圖像對，包括浮動圖像和固定圖像；構建對抗學習網絡模型，包括生成網絡和判別器；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。采用生成網絡生成形變場和形變后的圖像，采用一個判別器網絡判斷輸入圖像真假，采用另一個判別器網絡判斷形變后的圖像與固定圖像的相似值，使變形后的圖像更接近固定圖像，在沒有醫學圖像金標準的情況下，實現無監督的圖像配準任務。

技術領域

本發明涉及醫學圖像配準技術領域，特別是涉及一種基于對抗學習的醫學圖像配準方法與系統。

背景技術

本部分的陳述僅僅是提供了與本發明相關的背景技術信息，不必然構成在先技術。

醫學圖像配準主要針對同一對象(器官)或不同條件下(不同設備、不同時間等)采集到的不同對象(器官)的兩幅圖像進行匹配，使得同一解剖點在兩幅圖像上在空間位置上對齊。魯棒、精準的醫學圖像配準是實現精準醫療的關鍵技術，在配準過程中，兩副圖像分別稱為浮動圖像和固定圖像(又稱為模板圖像)，配準系統訓練完成的結果是學習一個形變場，然后把形變場作用在新浮動圖像上，從而為醫生制定醫療方案提供重要的參考。

當前適合醫學圖像分割、配準使用的開源軟件比如：FreeSurfer、FSL、Elastix、NiftyReg、ANTS等工具都是基于傳統方法實現的配準任務，這些方法要求具有專業知識的醫學從業人員才能獲得較準確的監督信息，比如特征的標注。但是，醫學圖像的標注既費時，又會因為不同標注人員的水平不同而產生較大的質量差異，即使有少量的金標準數據，也難以較好地訓練配準模型。

發明內容

為了解決上述問題，本發明提出了一種基于對抗學習的醫學圖像配準方法及系統，采用包含一個生成網絡和兩個判別器的對抗學習網絡模型，通過生成網絡生成形變場和形變后的圖像，通過一個判別器網絡判斷輸入圖像真假，通過另一個判別器網絡判斷形變后的圖像與固定圖像的相似值，使形變后的圖像更接近固定圖像，在沒有醫學圖像金標準的情況下，實現無監督的圖像配準任務。

為了實現上述目的，本發明采用如下技術方案：

第一方面，本發明提供一種基于對抗學習的醫學圖像配準方法，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生成網絡和判別器；

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。

第二方面，本發明提供一種基于對抗學習的醫學圖像配準系統，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生成網絡和判別器；

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；