[发明专利]基于神经网络的任意模态图像配准方法及设备

说明书

本发明公开了一种基于神经网络的任意模态图像配准方法及设备，涉及图像配准技术领域，本发明的方法可以通过生成的随机物质信息来模拟物质的特点，对随机物质信息进行映射得到形变前图像，而且对随机物质信息基于随机形变场进行形变、映射，获取形变后图像，形变前图像和形变后图像作为神经网络的输入，经过神经网络的配准，得到输出形变场，通过比较输出形变场和随机形变场的差异优化神经网络，得到训练好的训练模型。本发明的方法得到的训练模型能够忽略模态的影响，提升配准的准确性，以及减少对训练数据的依赖，而且还能够减少搭建模型的数量，减少工作量。

技术领域

本发明涉及图像配准技术领域，特别涉及一种基于神经网络的任意模态图像配准方法及设备。

背景技术

在日常生活中，遥感、医疗等领域中经常需要把不同时间、不同成像设备和方法得到的两套图像进行匹配、叠加，此过程称为图像配准。传统的配准方法主要分为三类：特征点配准、刚性配准和弹性配准。近年来机器学习和神经网络发展迅猛，也出现了基于神经网络的配准方法，且相较于传统方法，基于神经网络的配准方法具有预测速度块、效果好等优点。

但现有的基于神经网络的配准方法往往需要大量成对数据进行训练，在医疗领域中，这些数据的获取会涉及隐私、伦理等问题，而且难以保证数据成对匹配。实际应用中，图像的模态众多，以医疗图像为例，就有CT、MR-T1、MR-T2等等模态不一致的图像。一般的基于神经网络的配准方法要对各种模态组合分别训练模型，假设有N种模态，则需要训练N²个模型，并对这些模型要分别准备相应的数据，非常烦琐，工作量大。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于神经网络的任意模态图像配准方法、设备及存储介质。

根据本发明的第一方面实施例的基于神经网络的任意模态图像配准方法，包括应用于图像配准设备，训练部分和预测部分，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；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。

根据本发明的一些实施例，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。

根据本发明的一些实施例，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。

根据本发明的一些实施例，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。

根据本发明一些实施例，所述变换函数采用如下式子表示：

p(x)→cos((r₁+0.5)πp(x)+r₂)