[发明专利]基于联合显著图的全局到局部非刚性图像配准方法及装置

说明书

本发明涉及一种基于联合显著图的全局到局部非刚性图像配准方法及装置，该方法基于预训练的图像配准模型对待配准的参考图像和浮动图像进行处理，获得精确重建形变场，所述图像配准模型包括基于无监督误差函数的全局粗糙估计网络和局部精确重建网络，所述精确重建形变场的具体获得步骤包括：1)拼接所述参考图像和浮动图像，输入全局粗糙估计网络，得到粗糙形变场；2)基于粗糙形变场和浮动图像进行插值，获取形变图像；对形变图像和参考图像进行联合显著图提取，获取联合显著图；3)拼接联合显著图和粗糙形变场，输入局部精确重建网络，获取精确重建形变场。与现有技术相比，本发明图像配准的速度更快、精度更高，并且适用于无真值标签的应用场景。

技术领域

本发明涉及图像配准领域，尤其是涉及一种基于联合显著图的全局到局部非刚性图像配准方法及装置。

背景技术

在近几十年间，医学成像原理及诊断设备得到了不断的丰富与发展。这些不断改进的医学成像设备为医生提供更多高分辨率、多模态以及不同结构和功能信息的医学图像，为临床疾病的形成原因、病情发展、监控与治疗带来了更加有明确意义的指导信息。如何将这些不同模式和不同时段图像中有价值的结构和功能信息整合对应起来，这是医学成像、图像处理、模式识别与人工智能等领域既关键又基础的研究问题，被称为图像配准(Image Registration)。图像配准旨在建立两幅图像中对应像素点位置的正确对应关系。针对二维图像配准，算法输出为对应像素点对的二维位移向量场。

在医学图像的场景下，由于病理性因素、物理性因素常常会带来图像异常，导致图像结构对应性缺失以及局部的复杂大形变的异常情形，给图像非刚性配准研究带来了更大的挑战。刚性体是指那些不随人体生理活动发生变化或变化极小的人体组织或器官；非刚性体是指由于不自主生理活动的影响，其位置、尺寸和形状发生较大变化的组织或器官。主要面临着两大挑战：第一，当代社会随着成像技术和设备性能的提升，具有丰富结构和功能信息的多模态、高维度医学图像数据还在不断爆发式增长中，传统图像配准算法低计算效率的缺点也逐渐显现出来。在各种交叉领域基础研究和临床实际应用中，研发的图像配准算法如何既保证配准精度，同时还能确保图像配准速度是一项不可避免的严峻挑战。第二，医学图像由于一些生理病理的变化性因素，如病灶的增生与复发、肿瘤切除导致的结构空缺等因素导致图像对应性缺失且伴随着复杂局部大形变情形，这种异常情形是国内外研究领域所公认的难点问题，严重增加了非刚性图像配准的难度。这种图像异常的存在破坏了传统配准算法认为输入图像对之间像素点应当存在一一对应映射关系的假设前提，因而使得传统图像配准方法无法准确处理这些异常问题。图像配准领域的研究者们通常将这种困难的图像配准问题称为对应性缺失(Missing Correspondence)和局部大形变(LargeLocal Deformation)。理想的非刚性图像配准算法应当高精准度、鲁棒性、高计算效率的处理好存在图像局部大形变与对应性缺失的情形的困难配准问题。

总体而言，当下的非刚性配准算法无法同时兼顾三者，其缺陷归纳如下：

1.传统的基于灰度信息、基于特征的非刚性配准算法以及基于深度学习的非刚性配准网络均无应对待配准图像中存在部分对应性结构缺失问题的鲁班性机制；

2.在配准精度上，目前的非刚性配准算法仍然无法很好应对伴随结构缺失导致的局部复杂大形变问题的挑战。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于联合显著图的全局到局部非刚性图像配准方法及装置。

本发明的目的可以通过以下技术方案来实现：

一种基于联合显著图的全局到局部非刚性图像配准方法，该方法基于预训练的图像配准模型对待配准的参考图像和浮动图像进行处理，获得精确重建形变场，所述图像配准模型包括基于无监督误差函数的全局粗糙估计网络和局部精确重建网络，所述精确重建形变场的具体获得步骤包括：

S1：拼接所述参考图像和浮动图像，输入到全局粗糙估计网络，得到粗糙形变场；