[发明专利]一种基于深度学习与轮廓特征的医学图像配准方法

说明书

本发明属于医学图像配准领域，涉及一种基于深度学习与轮廓特征的医学图像配准方法。本发明在医学图像配准任务中引入了额外信息，即从医学图像的预先分割结果中提取出轮廓特征，并利用该特征进行空间变换时的可微性构建损失函数，提高了医学图像的配准精度；提出了一种医学图像配准的网络框架，将网络模型分为了形变参数模型和形变场平滑模型两个部分，形变参数模型可以构建对应像素之间精确的变形，形变场平滑模型用于对构建的形变场进行平滑性约束；交替优化的策略保证模型最终能收敛至更为平滑的形变场，得到更精确的配准结果。

技术领域

本发明属于医学图像配准领域，涉及一种基于深度学习与轮廓特征的医学图像配准方法。

背景技术

医学图像配准是指在两幅(或多幅)不同医学图像之间寻求一种(或一系列)几何空间变换，使得变换后的图像能与另一幅(或其它多幅)图像达到匹配。

依据选取的图像特征类别，可以将医学图像配准分为基于特征和基于灰度的配准。基于特征的图像配准方法，其主要利用提取的特征来优化空间变换，这些特征包括角点、轮廓、脊线等。然而，该类方法在配准精度上依赖于所提取特征的质量，因此具有一定的局限性。基于灰度的图像配准方法，其直接利用图像像素或体素的信息指导配准。该类方法无需提取图像特征，因此是目前该领域的研究热点。

近年来，由于深度学习的快速迭代，利用神经网络学习从图像到空间变换的复杂映射已经成为一个活跃的研究领域。有监督的学习方法，通过直接使用样本图像及其真实变换来训练网络。虽然其能够直接预测图像变换，但却依赖所生成变换的质量，且真实变换通常是无法得到的。而无监督的学习方法能够避免这一缺陷，其通过优化基于图像灰度的相似性度量来训练网络，实现端到端的参数预测。然而其训练需要大量的真实数据，这在实际中很难获取，且该类方法的配准精度有待进一步提高。

为了在无监督方法中利用图像的额外信息，有研究在训练过程中加入了辅助数据，如图像的分割标签或关键点等信息。该类方法使用无监督网络框架为主干，加入辅助数据作为监督信息进行联合训练，实验结果证明其要优于无监督方法。然而该类方法针对辅助数据所构建的损失函数，并不能显式地符合无监督方法中依赖图像灰度所构建的损失函数，因此在部分情况下效果并不显著。

发明内容

基于上述在无监督方法中利用额外信息所存在的问题，同时为了提高形变场的平滑度，本发明提出了一种基于深度学习与轮廓特征的医学图像配准方法。通过本发明方法，从医学图像的预先分割结果中提取出轮廓特征，利用该特征进行空间变换时的可微性构建损失函数，将其与所提出的无监督方法相结合共同优化神经网络参数，能够更加精确地实现医学图像配准。

本发明方法大致分为三个部分：

(1)轮廓特征提取模块：根据医学图像的预先分割结果，使用边缘检测方法提取图像轮廓特征，并构建对于轮廓特征的相似性度量。

(2)网络模型构建模块：提出了一种医学图像配准的网络框架，将网络模型分为了形变参数模型和形变场平滑模型两个部分。形变参数模型的作用是获得待配准图像的像素之间精确的对应关系，形变场平滑模型的作用是在允许误差存在的情况下获得平滑的形变场。两个模型都使用相同的图像作为输入，但形变参数模型使用图像对应的轮廓特征作为辅助数据，使模型参数得到更有效的优化。根据所述两个模型的输入与输出结果，设计对应的损失函数。

(3)网络参数优化模块：形变参数模型与形变场平滑模型的优化是交替进行的，首先固定形变场平滑模型的参数来优化形变参数模型，之后固定参数优化模型的参数来优化形变场平滑模型，直至该两个模型的损失函数收敛至最低或迭代达到预先设定好的次数。

为了达到上述目的，本发明采用了如下的技术方案：

一种基于深度学习与轮廓特征的医学图像配准方法，包括如下步骤：

步骤(1)：对医学图像数据集进行预处理，包括图像裁剪、归一化处理以及仿射配准等操作。