[发明专利]CT图片的配准方法

说明书

本发明提供了一种CT图片的配准方法，包括以下步骤：从第一CT图片集中选取一个切片层的1张CT图片和前后2张CT图片，从第二CT图片集中选取同一切片层的1张CT图片和前后2张CT图片，以上10张CT图片作为一个训练样本；按照上述方式从不同的切片层获取若干个训练样本组成训练集；训练神经网络；这种CT图片的配准方法利用双通道的卷积神经网络对不同时期的CT图片进行配准，匹配效率和准确性较高。

技术领域

本发明涉及CT图片的处理方法，尤其涉及一种CT图片的配准方法。

背景技术

每次做肺部CT都会得到几百张CT图片，这些图片代表身体不同切片层的图像，由于每次做CT扫描时扫描的起始位置不同，扫描的层厚也不同，所以要从不同时期的CT图片中根据身体的部位进行一一匹配的难度很大。

发明内容

本发明要解决的技术问题是：为了解决现有技术中对于不同时期的CT图片配准难度大，准确性低的问题，本发明提供了一种CT图片的配准方法来解决上述问题。

本发明解决其技术问题所采用的技术方案是：一种CT图片的配准方法，包括以下步骤：

S1、从第一CT图片集中选取一个切片层的1张CT图片和前后2张CT图片，从第二CT图片集中选取同一切片层的1张CT图片和前后2张CT图片，以上10张CT图片作为一个训练样本；按照上述方式从不同的切片层获取若干个训练样本组成训练集；

S2、构造卷积神经网络，所述卷积神经网络包括共享权值的第一通道和第二通道；所述卷积神经网络的损失函数为：

其中m为预设值，D为第一通道输出的第一特征向量与第二通道输出的第二特征向量的欧氏距离；

S3、将所述训练集输入到卷积神经网络中进行正样本训练和负样本训练，得到训练好的卷积神经网络：

正样本训练：从同一个训练样本中选取两张CT图并且分别输入到第一通道和第二通道中，将第一特征向量和第二特征向量输入损失函数中，其中l为1，根据损失函数的值反向传播，更新卷积神经网络的权值；

负样本训练：从不同的两个训练样本中分别选取一张CT图并且分别输入到第一通道和第二通道中，将第一特征向量和第二特征向量输入损失函数中，其中l为0，根据损失函数的值反向传播，更新卷积神经网络的权值。

作为优选，还包括步骤：将DICOM格式的CT图片转换成维度为227*227*1并且格式为jpg的CT图片后再作为训练样本。

作为优选，所述第一通道包括输入层、第一卷积层、第一ReLU层、第二卷积层、第二ReLU层、第三卷积层、第三ReLU层、第四卷积层、第四ReLU层、第五卷积层、第五ReLU层、第一全连接层、第二全连接层和输出层；所述第二通道与第一通道的结构相同；

所述步骤S3中，将CT图片输入第一通道和第二通道后进行以下步骤：

S301、在第一卷积层中，维度为227*227*1的CT图片通过96个173*173*1的卷积核进行卷积，步数为1，得到55*55*96的三维特征图；

S302、第一ReLU层中，通过函数ReLU对三维特征图进行非线性映射；

S303、在第二卷积层中，维度为55*55*96的三维特征图通过256个29*29*96的卷积核进行卷积，步数为1，得到27*27*256的三维特征图；

S304、第二ReLU层中，通过函数ReLU对三维特征图进行非线性映射；

S305、在第三卷积层中，维度为27*27*256的三维特征图通过384个15*15*256的卷积核进行卷积，步数为1，得到13*13*384的三维特征图；