[發明專利]一種基于深度學習與輪廓特征的醫學圖像配準方法

在審

• 申請號: 202111643250.3
• 申請日: 2021-12-29
• 公開（公告）號: CN114332018A
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 姚念民;方經義
• 申請（專利權）人: 大連理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/12;G06T7/13;G06T7/33;G06T3/40;G06V10/74;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 遼寧鴻文知識產權代理有限公司 21102
• 代理人: 王海波

本發明屬于醫學圖像配準領域，涉及一種基于深度學習與輪廓特征的醫學圖像配準方法。本發明在醫學圖像配準任務中引入了額外信息，即從醫學圖像的預先分割結果中提取出輪廓特征，并利用該特征進行空間變換時的可微性構建損失函數，提高了醫學圖像的配準精度；提出了一種醫學圖像配準的網絡框架，將網絡模型分為了形變參數模型和形變場平滑模型兩個部分，形變參數模型可以構建對應像素之間精確的變形，形變場平滑模型用于對構建的形變場進行平滑性約束；交替優化的策略保證模型最終能收斂至更為平滑的形變場，得到更精確的配準結果。

技術領域

本發明屬于醫學圖像配準領域，涉及一種基于深度學習與輪廓特征的醫學圖像配準方法。

背景技術

醫學圖像配準是指在兩幅(或多幅)不同醫學圖像之間尋求一種(或一系列)幾何空間變換，使得變換后的圖像能與另一幅(或其它多幅)圖像達到匹配。

依據選取的圖像特征類別，可以將醫學圖像配準分為基于特征和基于灰度的配準。基于特征的圖像配準方法，其主要利用提取的特征來優化空間變換，這些特征包括角點、輪廓、脊線等。然而，該類方法在配準精度上依賴于所提取特征的質量，因此具有一定的局限性。基于灰度的圖像配準方法，其直接利用圖像像素或體素的信息指導配準。該類方法無需提取圖像特征，因此是目前該領域的研究熱點。

近年來，由于深度學習的快速迭代，利用神經網絡學習從圖像到空間變換的復雜映射已經成為一個活躍的研究領域。有監督的學習方法，通過直接使用樣本圖像及其真實變換來訓練網絡。雖然其能夠直接預測圖像變換，但卻依賴所生成變換的質量，且真實變換通常是無法得到的。而無監督的學習方法能夠避免這一缺陷，其通過優化基于圖像灰度的相似性度量來訓練網絡，實現端到端的參數預測。然而其訓練需要大量的真實數據，這在實際中很難獲取，且該類方法的配準精度有待進一步提高。

為了在無監督方法中利用圖像的額外信息，有研究在訓練過程中加入了輔助數據，如圖像的分割標簽或關鍵點等信息。該類方法使用無監督網絡框架為主干，加入輔助數據作為監督信息進行聯合訓練，實驗結果證明其要優于無監督方法。然而該類方法針對輔助數據所構建的損失函數，并不能顯式地符合無監督方法中依賴圖像灰度所構建的損失函數，因此在部分情況下效果并不顯著。

發明內容

基于上述在無監督方法中利用額外信息所存在的問題，同時為了提高形變場的平滑度，本發明提出了一種基于深度學習與輪廓特征的醫學圖像配準方法。通過本發明方法，從醫學圖像的預先分割結果中提取出輪廓特征，利用該特征進行空間變換時的可微性構建損失函數，將其與所提出的無監督方法相結合共同優化神經網絡參數，能夠更加精確地實現醫學圖像配準。

本發明方法大致分為三個部分：

(1)輪廓特征提取模塊：根據醫學圖像的預先分割結果，使用邊緣檢測方法提取圖像輪廓特征，并構建對于輪廓特征的相似性度量。

(2)網絡模型構建模塊：提出了一種醫學圖像配準的網絡框架，將網絡模型分為了形變參數模型和形變場平滑模型兩個部分。形變參數模型的作用是獲得待配準圖像的像素之間精確的對應關系，形變場平滑模型的作用是在允許誤差存在的情況下獲得平滑的形變場。兩個模型都使用相同的圖像作為輸入，但形變參數模型使用圖像對應的輪廓特征作為輔助數據，使模型參數得到更有效的優化。根據所述兩個模型的輸入與輸出結果，設計對應的損失函數。

(3)網絡參數優化模塊：形變參數模型與形變場平滑模型的優化是交替進行的，首先固定形變場平滑模型的參數來優化形變參數模型，之后固定參數優化模型的參數來優化形變場平滑模型，直至該兩個模型的損失函數收斂至最低或迭代達到預先設定好的次數。

為了達到上述目的，本發明采用了如下的技術方案：

一種基于深度學習與輪廓特征的醫學圖像配準方法，包括如下步驟：

步驟(1)：對醫學圖像數據集進行預處理，包括圖像裁剪、歸一化處理以及仿射配準等操作。