[发明专利]基于关键点匹配网络的眼底图像配准方法

说明书

本申请公开了一种基于关键点匹配网络的眼底图像配准方法，方法包括：获取样本眼底图像，样本眼底图像包括n个图像对；将样本眼底图像输入至刚性配准网络，得到刚性变换矩阵；根据刚性变换矩阵对固定图像中的关键点坐标做刚性变换，得到变换后的关键点坐标；采用空间变换层根据变换得到的关键点坐标生成浮动图像配准后的配准图像；训练刚性配准网络，得到训练后的刚性配准网络，训练后的刚性配准网络用于对眼底图像进行配准，训练仿射配准网络，得到训练后的仿射配准网络，训练后的仿射配准网络用于对眼底图像进行精细配准。解决了现有方案中非监督的配准方案配准效果较差的问题，达到了可以提高配准精度的效果。

技术领域

本发明涉及基于关键点匹配网络的眼底图像配准方法，属于图像处理技术领域。

背景技术

眼底彩照是一种常见的用于眼底疾病诊断的医学影像。对于同一个病人在不同时间点拍摄的眼底彩照，医生可以通过影像学上的变化来确定病人病情的变化。这些图像是眼底图像纵向分析中的重要依据。然而，这些图像的拍摄角度、拍摄设备可能存在差异，导致图像之间并没有对齐。因此眼底图像配准是眼底图像纵向跟踪必不可少的一环。

目前已经有很多研究聚焦于眼底图像的配准问题。传统的眼底图像配准方法主要可以分为两类，一种是基于特征的配准方法，一种是基于灰度相似性测度的配准方法。传统的配准方法通常是先提取特征，比如关键点，血管等，然后将这些特征匹配，最后根据这些匹配好的特征信息去迭代优化变换参数。这种方法每配准一对图像都要迭代优化模型参数，因此配准速度很慢。配一对图像甚至需要十几分钟的时间。

随着深度学习的兴起，一些研究者提出了基于深度学习的医学影像配准方法。这些方法在训练阶段就已经训练好了配准模型，在测试阶段不再需要迭代优化的过程，直接送入图像就能通过前向传播得到配准后的图像，配准速度大大提升。然而，对于眼底图像配准，目前基于深度学习的配准方法很少。而常见的用于其它模态的方法并不适用于眼底图像。比如非监督的配准方法往往依赖于灰度相似性测度，而基于灰度相似性测度的方法在眼底图像上效果并不好。

发明内容

本发明的目的在于提供一种基于关键点匹配网络的眼底图像配准方法，用于解决现有技术中存在的问题。

为达到上述目的，本发明提供如下技术方案：

根据第一方面，本发明实施例提供了一种基于关键点匹配网络的眼底图像配准方法，所述方法包括：

获取样本眼底图像，所述样本眼底图像包括n个图像对，每个图像对包括固定图像和浮动图像，n为大于2的整数；

将所述样本眼底图像输入至刚性配准网络，得到刚性变换矩阵；

根据所述刚性变换矩阵对所述固定图像中的关键点坐标做刚性变换，得到变换后的关键点坐标；

采用空间变换层根据变换得到的所述关键点坐标生成所述浮动图像配准后的刚性配准眼底图像；

根据所述所述样本眼底图像和所述刚性配准眼底图像训练所述刚性配准网络，得到训练后的刚性配准网络，训练后的所述刚性配准网络用于对眼底图像进行初步配准；

根据所述刚性配准眼底图像和所述样本眼底图像训练所述仿射配准网络，得到训练后的仿射配准网络，训练后的所述仿射配准网络用于对眼底图像进行精细配准。

可选的，所述将所述样本眼底图像输入至刚性配准网络，得到刚性变换矩阵，包括：

将所述样本眼底图像输入至刚性配准网络，得到包括变换参数的所述刚性变换矩阵，所述变换参数包括绕中心(x₀,y₀)旋转的角度θ、横轴平移量t_x以及纵轴平移量t_y中的至少两种。

可选的，所述根据所述刚性变换矩阵对所述固定图像中的关键点坐标做刚性变换，得到变换后的关键点坐标，包括：