[发明专利]基于神经网络的任意模态图像配准方法及设备

权利要求书

1.一种基于神经网络的任意模态图像配准方法，其特征在于，应用于图像配准设备，包括训练部分和预测部分，所述训练部分包括：

对输入数据进行随机模态映射，获取形变前图像，所述输入数据包括随机物质信息或真实图像信息；

根据随机形变场对所述输入数据进行形变，并进行随机模态映射，获取形变后图像；

将所述形变前图像和所述形变后图像输入神经网络中，生成输出形变场；

结合所述随机形变场和所述输出形变场对所述神经网络进行优化，得到训练模型；

所述预测部分包括：

将待配准图像和参考图像输入所述训练模型，得到预测形变场；

将所述预测形变场作用于所述待配准图像，得到配准后图像。

2.根据权利要求1所述的基于神经网络的任意模态图像配准方法，其特征在于，所述对输入数据进行随机模态映射，获取形变前图像，包括：

对连续噪声引入不连续机制，得到所述随机物质信息；

采用变换函数对所述随机物质信息进行映射，生成所述形变前图像。

3.根据权利要求2所述的基于神经网络的任意模态图像配准方法，其特征在于，所述对连续噪声引入不连续机制，包括：

对连续噪声进行取反操作或选取在对应位置上多个连续噪声中特定值所对应的连续噪声编号。

4.根据权利要求1所述的基于神经网络的任意模态图像配准方法，其特征在于，所述根据随机形变场对所述输入数据进行形变，并进行随机模态映射，获取形变后图像，包括：

组合多个连续噪声，生成所述随机形变场；

将所述随机形变场作用于所述输入数据，生成形变数据；

采用变换函数对所述形变数据进行映射，生成形变后图像；

其中，所述连续噪声的数量与所述形变后图像的维数相同。

5.根据权利要求2或4所述的基于神经网络的任意模态图像配准方法，其特征在于，所述变换函数采用如下式子表示：

p(x)→cos((r₁+0.5)πp(x)+r₂)

其中，上式表示映射关系，p(x)为随机物质信息的值或真实图像的像素值，并归一化至[-1，1]的范围，π是圆周率，r₁和r₂是在[0，1)内均匀分布的随机数，通过选取不同的随机数，映射后的图像的模态也不同；对于基于多个连续噪声得到的随机物质信息，实现随机模态映射的变换函数可以包括一个具有多个随机数的序列，即采用随机数序列作为随机模态映射中的映射关系，每一个随机数对应一个指标，通过将随机数与随机物质信息结合可以完成映射，其中，随机数的数量对应于连续噪声的数量；当某一物体包括有N种物质，则对应地采用N个连续噪声来模拟，因此，所生成的序列包含N个随机数，例如：

q(x)＝argmax({p_j(x)，j＝0,....,N-1})

p(x)＝R(q(x))

其中，q(x)表示选取多个连续噪声中在对应位置上最大的噪声值后形成的随机物质信息，pj(x)表示某一个连续噪声，argmax函数则用于选取某一点上的最大值，p(x)为映射后的结果，而R则表示具有N个随机数的序列。

6.根据权利要求1所述的基于神经网络的任意模态图像配准方法，其特征在于，所述结合所述随机形变场和所述输出形变场对所述神经网络进行优化，得到训练模型，包括：

所述随机形变场和所述输出形变场作为损失函数的输入值，将所述损失函数的输出值输入所述神经网络，对所述神经网络进行优化，得到所述训练模型。