[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

说明书

本发明公开了一种基于循环正则训练的跨模态医学图像配准方法，包括以下步骤：预训练反向单模态配准网络，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；设置前向跨模态配准网络，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；将前向跨模态配准网络与预训练好的反向单模态配准网络进行级联以得到循环正则训练网络，对循环正则训练网络进行训练；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循环正则训练网络中的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。本发明提出的基于循环正则训练的跨模态医学图像配准方法及装置，使得配准结果更加准确。

技术领域

本发明涉及医学图像配准技术领域，尤其涉及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。

背景技术

跨模态医学图像配准是将一对不同模态的浮动图像和参考图像对齐的过程，其目标是找到使配准图像对中感兴趣区域对齐的最佳空间变换。常见的跨模态医学图像配准包括磁共振-计算机断层扫描(MR-CT)配准、磁共振-超声(MR-US)配准、计算机断层扫描-超声(CT-US)配准等。跨模态医学图像配准根据空间变换类型分为跨模态医学图像仿射配准和跨模态医学图像可变形配准。跨模态医学图像可变形配准找到的空间变换是表示体素级位移的密集变形场。由于MR、CT、US等不同模态图像间体素强度的显著差异，跨模态医学图像的配准十分困难。

现有技术中提出了一些跨模态医学图像的配准方法，例如无监督体素形变配准模型VoxelMorph，该模型框架如图1所示。VoxelMorph网络以浮动图像I_m和参考图像I_f为输入，使用U型结构网络Unet提取图像特征预测出变形场φ。借助空间变换模块(SpatialTransform Network,STN)，变形场φ可作用于I_m后得到扭曲浮动图像实现配准。网络损失函数由扭曲浮动图像与参考图像的相似度损失和L2范数构成。跨模态场景下场常使用模态独立邻域描述子(Modality Independent Neighborhood Descriptor，MIND)表示图像间的相似性。L2范数对应网络的正则化损失，用于约束预测变形场的平滑性，使预测变形场真实可靠，其公式为：式中φ表示变形场，Ω表示变形场中所有体素。但是采用该模型进行配准时，对于具有较大形变的器官配准表现不佳，如图2a～2d所示表示使用L2正则化的跨模态配准效果。如图2d，白色区域表示参考MR图像中的腹腔器官(肝脏、肾脏、脾脏)的分割掩码，灰色区域表示扭曲浮动CT图像中的腹腔器官分割掩码，因此，使用该技术方案配准时较大形变的肝脏(左上部)的下部明显无法配准对齐。

以上背景技术内容的公开仅用于辅助理解本发明的构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。

发明内容

为解决上述技术问题，本发明提出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，使得配准结果更加准确。

为了达到上述目的，本发明采用以下技术方案：

本发明的一个实施例公开了一种基于循环正则训练的跨模态医学图像配准方法，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现有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，