[發明專利]一種跨模態脊柱圖像配準方法、系統及設備

在審

• 申請號: 202310762419.X
• 申請日: 2023-06-27
• 公開（公告）號: CN116664634A
• 公開（公告）日: 2023-08-29
• 發明（設計）人: 劉玉增;楊賀捷;張希諾;海涌;楊明軒
• 申請（專利權）人: 首都醫科大學附屬北京朝陽醫院
• 主分類號: G06T7/30
• 分類號: G06T7/30;G06T3/00;G06T7/00
• 代理公司: 北京慕達星云知識產權代理事務所(特殊普通合伙) 11465
• 代理人: 李冉

本發明公開了一種跨模態脊柱圖像配準方法、系統及設備，屬于圖像配準技術領域。本發明通過不斷衡量采樣動作和空間變換網絡的評價指標，避免采樣動作過多的剔除特征，從而實現在不依賴于數據集提供先驗分布的情況下依然能很好的去除圖像配準過程中的無關特征。

技術領域

本發明涉及圖像配準技術領域，更具體的說是涉及一種跨模態脊柱圖像配準方法、系統及設備。

背景技術

圖像配準是一種將不同的圖像在空間上進行對齊的方法，目的是將它們映射到一個共同的參考框架中，以便于進一步的比較和分析。在醫學影像診斷中，圖像配準技術被廣泛應用于不同模態圖像之間的對齊，例如將MRI圖像、CT圖像和X光圖像進行對齊。

傳統的圖像配準方法通常基于剛性或非剛性模型，其中剛性模型假定圖像之間的幾何形狀保持不變，而非剛性模型可以處理形狀不變的情況。傳統的非剛性圖像配準方法通常依賴于大量的數據集來訓練和優化算法，但是這種方法存在一些問題，例如需要耗費大量的時間和人力成本來收集和標注數據，且很難解決新數據的配準問題。

近年來，基于深度學習的圖像配準方法受到了廣泛的關注。這些方法通過將圖像配準問題轉化為一個優化問題，并使用神經網絡來學習圖像之間的對應關系，從而實現精確的配準。然而，這種方法需要大量的訓練數據來訓練神經網絡，即使是無監督學習也同樣需要未標注的數據集去學習數據特征。這同時也存在一些實際應用的問題，例如新數據的配準和噪聲干擾等問題。

其他配準方法則依賴于特征點的選擇。無論是基于尺度不變特征變換SIFT的特征點檢測匹配或是其他改進算法，在面對跨模態任務時，由于不同模態間的差異過多，匹配效果往往不理想。

因此，如何克服跨模態數據的模態差異，降低新數據配準的噪聲干擾,提供一種新的跨模態脊柱圖像配準方法、系統及設備是本領域技術人員亟需解決的問題。

發明內容

有鑒于此，本發明提供了一種跨模態脊柱圖像配準方法、系統及設備。

為了實現上述目的，本發明采用如下技術方案：

本發明首先公開了一種跨模態脊柱圖像配準方法，包括以下步驟：

圖像獲取步驟：

獲取術前CT圖像和對應的術中光學圖像；

圖像預處理步驟：

將術前CT圖像中的像素值進行反轉，獲取反轉CT圖像；

基于術中光學圖像，獲取對應的術中灰度圖像；

基于深度強化學習思想的圖像變換步驟：

將反轉CT圖像和術中灰度圖像輸入基于強化學習思想的網絡模型，以相同像素個數占總像素的比例作為評價指標，以擬合函數曲線并采樣和空間變換網絡作為動作空間的兩個動作；

將反轉CT圖像作為待執行圖像，執行動作空間的兩個動作，獲取執行后的采樣動作CT圖像和空間變換CT圖像；

將采樣動作CT圖像和空間變換CT圖像，分別與術中灰度圖像進行基于評價指標的相似度衡量計算，將指標更大的采樣動作CT圖像或空間變換CT圖像作為新的待執行圖像；

將新的待執行圖像再次執行動作空間的兩個動作，并將執行結果再次與術中灰度圖像進行基于評價指標的相似度衡量計算，直到執行結果的評價指標滿足設定的閾值，將滿足設定閾值的執行結果作為最終的待配準CT圖像；所述執行結果包括執行動作空間兩個動作后的采樣動作CT圖像或空間變換CT圖像；

圖像融合步驟：

將待配準的CT圖像和術中灰度圖像進行融合，獲取配準后的融合圖像。

優選的，圖像獲取步驟中，獲取術前CT圖像具體包括：