[发明专利]基于自动勾画的图像配准方法

权利要求书

1.一种基于自动勾画的图像配准方法，其特征在于，包括以下步骤：

输入两个任意模态的医学图像，一个作为fixed image，另一个作为moving image，其中所述两个任意模态的医学图像为CT、CBCT、MRI及PET中的任意两个；

采用域自适应的迁移学习策略训练神经网络，在训练数据仅有CT的OAR勾画金标准时，使其能对除CT外的CBCT、MRI及PET的所述医学图像也具备识别OAR的能力；

对两个输入的所述医学图像分别输入所述迁移学习策略训练神经网络，得到各自的全身OAR分割结果；

基于OAR轮廓点采用迭代式优化方法得到刚性配准的变换矩阵和位移向量，从而得到刚性配准后的医学图像warped image；

在刚性配准的基础上，针对每个OAR，对fixed image中该OAR的轮廓点与对应movingimage中该OAR的轮廓点进行匹配，进而得到轮廓点的位移值；以及

通过基于控制点的插值法得到完整的位移场三维矩阵，从而得到非刚性配准后的医学图像warped image。

2.根据权利要求1所述的一种基于自动勾画的图像配准方法，其特征在于，还包括：

采用域自适应的迁移学习策略训练神经网络，在训练数据仅有CT的OAR的勾画标记时，使其能对除CT外的其它模态的所述医学图像也具备识别OAR的能力，包括：

神经网络采用GAN架构，包含生成器网络与判别器网络；其中所述生成器网络用于输出OAR分割结果与混淆判别器，所述判别器网络用于判断生成器输出的特征与结果是否属于CT；

所述生成器网络的结构包含若干个域适配网络及公共的主网络；以Unet为基础，所述域适配网络由2个Residual Modules和下采样交替组成，所述主网络的前半部分由1个Residual Modules和下采样交替组成，与所述域适配网络组成U型结构的左侧encoder，而所述主网络的后半部分由3个Residual Modules和上采样交替组成U型结构的右侧decoder，并通过skip-connection将所述主网络的编码器中部分较浅层的高分辨率特征与解码器中对应层的特征进行融合，以补充由下采样带来的细节损失，主网络最后一个Residual Modules后接一个channel数为OAR个数+1的卷积层，输出多channel概率图，表示每个像素属于某个OAR或背景的概率，进而得到所有OAR的分割结果；

所述判别器网络的结构由4个卷积模块和下采样交替组成，后接一个全局池化层与全连接层，输出结果表示输入特征属于CT的概率；

训练时，选择CT与另一种模态的图像一起进行训练；两个图像分别送入各自的域适配网络及公共主网络，提取主网络中所有Residual Modules输出的feature map并与最终输出的概率图合并为一个总的feature map，输入判别器判断该特征是否属于CT；即生成器与判别器交替训练，当训练生成器时任务为降低判别器的准确率，当训练判别器时任务为提高判断准确率；同时，CT经过生成器后输出的概率图与专家勾画的OAR金标准进行有监督学习；以及

测试及应用时，输入图像并根据其模态选择对应的所述域适配网络，与公共的所述主网络组成生成器，输出OAR分割结果；以及

神经网络能同时识别全身的OAR。