[发明专利]基于自动勾画的图像配准方法

说明书

本发明公开了一种基于自动勾画的图像配准方法，包括：输入两个任意模态的医学图像；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外的其它模态也具备识别OAR的能力；对两个输入图像分别输入上述神经网络，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moving image中该OAR的轮廓点进行匹配，进而得到轮廓点的位移值；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。借此，能有效解决OAR金标准缺乏的问题。

技术领域

本发明涉及图像处理领域、深度学习领域、医疗领域，尤其是一种基于自动勾画的图像配准方法。

背景技术

图像配准在医学图像处理与分析中有众多具有实用价值的应用。随着医学成像设备的进步，对于同一患者，可以采集含有准确解剖信息的多种不同模态的图像，如CT、CBCT、MRI、PET等。然而，通过观察不同图像进行诊断需要凭着空间想象和医生的主观经验。采用正确的图像配准方法则可以将多种多样的信息准确地融合到同一图像中，使医生更方便更精确地从各个角度观察病灶和结构。同时，通过对不同时刻采集的动态图像的配准，可以定量分析病灶和器官的变化情况，使得医疗诊断、制定手术计划、放射治疗计划更准确可靠。

传统的图像配准方法基于相似度目标函数的优化求解问题，容易收敛至局部极小值，尤其对不同模态图像的配准效果较差，且迭代求解的过程耗时较长。而基于危及器官(OAR)勾画的图像配准方法能解决上述问题，但OAR金标准的获得需要耗费医生、专家的大量时间，成本较高。近年来，人们对探索利用人工智进行诊断产生了浓厚的兴趣，并在某些领域利用AI算法建立了表现优于人类医学专家的数学模型。因此有理由相信，利用AI算法对传统图像配准方法进行改进能有效提高图像配准的效果。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

本发明的目的在于提供一种基于自动勾画的图像配准方法，其能够利用AI算法对传统图像配准方法进行改进能有效提高图像配准的效果。

为实现上述目的，本发明提供了一种基于自动勾画的图像配准方法，包括以下步骤：输入两个任意模态(CT、CBCT、MRI、PET等)的医学图像，一个作为fixed image(参考图像)，另一个作为moving image(待配准图像)；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(危及器官)勾画金标准时，使其能对除CT外的其它模态(CBCT、MRI、PET等)也具备识别OAR的能力；对两个输入图像分别输入上述神经网络，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moving image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。