[发明专利]一种融合多尺度信息的脑部磁共振图像配准方法

权利要求书

1.本发明公布了一种用于3D脑部磁共振图像的配准方法，包括以下步骤：

（1）数据预处理：对3D脑部磁共振图像预处理的作用是将数据映射到一致的权重空间，减轻不同情况下的噪声干扰，进行归一化采样之后便于网络提取特征和分析处理；还要对数据进行颅骨去除、分割以及数据的仿射和归一化变换等操作，之后再将数据重采样到相同的分辨率，裁剪为相同的尺寸大小；

（2）特征提取：使用U型卷积网络对数据的特征进行提取，使用提取到的具有全局空间信息的特征来训练网络模型，在训练过程中不断调整模型参数；从数据中提取到更高级的特征，能够使得网络更加高效、快速的实现图像间的精确配准；流程如下：

a.加载模型特征迁移：网络通过学习数据间的内在联系，相比传统方法，能够实现更加快速的配准；本方法在训练开始的时候，加载一个迁移过来的初始权重，避免网络的参数从零开始，能够提升网络模型的训练速度；

b.训练网络提取特征：使用U型卷积网络提取数据的多尺度特征；为了使提取到的特征更具有空间性，网络采用尺寸大小不同的卷积核构成的空间网络池化层实现对多尺度信息的提取；在网络的编码路径中使用扩张卷积代替最大池化层，经过编码路径中的4层卷积缩小特征图尺寸后，连接一个多尺度卷积层，提取数据的高级特征，再经过解码路径不断还原数据尺寸之后，生成配准的变形场；

c.本实验在Pycharm中进行，使用（1）中数据预处理过的LPBA40公开数据集，把图像随机划分为24:8:8的比例，分别作为实验的训练、验证和测试集；按照每100次为一个epoch，总共进行1500 epoch的训练；因此，总共进行了150000次的训练；在训练的过程中调整网络参数，直到网络收敛，停止训练。