[发明专利]基于偏微分对抗学习的图像配准方法、系统、设备和介质

权利要求书

1.一种基于偏微分对抗学习的图像配准方法，其特征在于，包括：

利用先验知识和基函数表示法构建微分项备选库；

基于生成对抗网络基本结构，学习微分项备选库中微分项对应系数；所述生成对抗网络的生成器采用多个单层回归网络；

在生成对抗网络的损失函数中增加梯度惩罚项和正则项，实现微分项的稀疏选择；通过训练后的生成对抗网络得到目标偏微分方程；

利用目标偏微分方程对预处理后的待配准图像进行空间变形，得到配准后图像。

2.根据权利要求1所述的基于偏微分对抗学习的图像配准方法，其特征在于，还包括对待配准图像数据集依次进行预处理，包括以下步骤：

对待配准图像进行结构分割，并对部分结构进行自适应去除；

将处理后的待配准图像进行灰度均衡化以及空间归一化，获得预处理后的待配准图像。

3.根据权利要求2所述的基于偏微分对抗学习的图像配准方法，其特征在于，所述对待配准图像进行结构分割，包括以下步骤：

将图像重采样到DPI为1mm的空间中，原始图像尺寸为256×256×256，对每幅图像都进行切割，切除所有没有数值的图像层，仅保留有数值的层，使整个目标结构处于图像的中心位置，将图像切割后再缩放到64×64×64尺寸大小。

4.根据权利要求1所述的基于偏微分对抗学习的图像配准方法，其特征在于，所述利用先验知识和基函数表示法构建微分项备选库，包括以下步骤：

所述偏微分方程为包含未知函数的偏导数或偏微分的方程其通用形式表示为：

其中，t为时间变量，x和y为空间变量；所述偏微分方程u_t是由若干微分项x、y、u、u_x、u_y、u_xx、u_xy、u_yy组成的函数；

将上式表达为如下形式：

U_lib＝Θ(u,u_x,u_xx,...)W

其中，Θ表示由各个微分项组成的备选库矩阵，W表示微分项的对应系数，即：

首先构造包含所有微分项的备选库整体，再学习出每个微分项对应的系数组成的系数矩阵W，最终得到目标的偏微分方程；

备选库整体构建基于基函数表示法，分别计算u、u_x、u_y、u_xx、u_xy、u_yy基础微分项，并针对具体的偏微分方程学习目标，即相应的先验知识，把与先验知识具备强相关性的微分项增添进入备选库中；

在构建微分项备选库时选择的构建微分项的方式，采用切比雪夫多项式插值法。

5.根据权利要求1所述的基于偏微分对抗学习的图像配准方法，其特征在于，所述基于生成对抗网络基本结构，学习微分项备选库中微分项对应系数，具体包括以下步骤：

采用生成对抗网络的基本结构，其中，生成对抗网络的生成器采用n个单层回归网络进行堆叠，单个子网络通过回归的方法来不断迭代备选库中微分项的对应系数矩阵W，生成器输出n多个时间步长后预测样本，并将其送入生成对抗网络的判别器中进行打分，判别器对生成的预测样本打上逻辑值为0，而对真实的观测数据打上逻辑值1；

整个优化过程遵循如下损失函数：

其中，和x分别代表生成样本和真实样本，P_r和P_g分别代表真实样本生成样本分布。