[发明专利]一种基于循环正则训练的跨模态医学图像配准方法及装置

权利要求书

1.一种基于循环正则训练的跨模态医学图像配准方法，其特征在于，包括以下步骤：

S1：预训练反向单模态配准网络，所述反向单模态配准网络包括第一变形场预测网络和第一空间变换模块：

将包括第一模态的第一浮动图像和第二模态的第一参考图像的第一训练集输入到基于非深度学习的图像配准算法中输出第一扭曲浮动图像，

再将所述第一扭曲浮动图像和所述第一浮动图像输入到所述第一变形场预测网络，得到第一变形场，

然后将第一变形场和第一扭曲浮动图像输入到所述第一空间变换模块，得到第一循环浮动图像，

比较所述第一循环浮动图像与所述第一浮动图像，得到第一总损失函数，以最小化所述第一总损失函数为目标对所述反向单模态配准网络进行预训练；

S2：设置前向跨模态配准网络，所述前向跨模态配准网络包括第二变形场预测网络和第二空间变换模块；

S3：将所述前向跨模态配准网络与预训练好的所述反向单模态配准网络进行级联以得到循环正则训练网络，对所述循环正则训练网络进行训练：

将包括第一模态的第二浮动图像和第二模态的第二参考图像的第二训练集输入所述第二变形场预测网络，得到第二变形场，

将所述第二变形场和所述第二浮动图像输入到所述第二空间变换模块，得到第二扭曲浮动图像，

再将所述第二扭曲浮动图像和所述第二浮动图像输入到所述第一变形场预测网络，得到第三变形场，

将所述第三变形场和所述第二扭曲浮动图像输入到所述第一空间变换模块，得到第二循环浮动图像；

比较所述第二循环浮动图像和所述第二浮动图像，得到第二总损失函数，以最小化所述第二总损失函数为目标对所述循环正则训练网络进行训练；

S4：将待配准的第一模态的第三浮动图像和第二模态的第三参考图像输入到训练完成的所述循环正则训练网络中的所述前向跨模态配准网络，得到扭曲的第三浮动图像，即为配准图像。

2.根据权利要求1所述的跨模态医学图像配准方法，其特征在于，所述第一总损失函数包括第一单模态图像相似度损失和平滑性损失，所述第一单模态图像相似度损失是指所述第一训练集中原始的所述第一浮动图像与所述第一循环浮动图像中所有体素的模态独立邻域描述子差的均值。

3.根据权利要求2所述的跨模态医学图像配准方法，其特征在于，所述平滑性损失采用L2范数。

4.根据权利要求1所述的跨模态医学图像配准方法，其特征在于，所述第二总损失函数包括跨模态图像相似度损失和正则化损失，其中跨模态图像相似度损失是指所述第二训练集中原始的所述第二参考图像与所述第二扭曲浮动图像中所有体素的模态独立邻域描述子差的均值。

5.根据权利要求4所述的跨模态医学图像配准方法，其特征在于，所述正则化损失采用第二单模态图像相似度损失，所述第二单模态图像相似度损失是指所述第二训练集中原始的所述第二浮动图像与所述第二循环浮动图像中所有体素的模态独立邻域描述子差的均值。

6.根据权利要求1所述的跨模态医学图像配准方法，其特征在于，步骤S3中在对所述循环正则训练网络进行训练时所述反向单模态配准网络中的所述第一变形场预测网络和所述第一空间变换模块的参数保持不变。

7.一种基于循环正则训练的跨模态医学图像配准装置，其特征在于，包括处理器和可读存储介质，所述可读存储介质存储有能够被所述处理器执行的可执行指令，所述处理器被设置为能够被所述可执行指令促使实现权利要求1至6任一项所述的跨模态医学图像配准方法。