[发明专利]一种基于人工智能的磁共振影像无监督级联配准方法

权利要求书

1.一种基于人工智能的磁共振影像无监督级联配准方法，其特征在于，包括以下步骤：

步骤1：对原始MRI图像进行预处理，将第一个预处理MRI图像作为固定图像I_F，将剩下的预处理MRI图像划分为训练集和测试集，训练集中的图像作为浮动图像I_M；

步骤2：搭建无监督级联配准网络，无监督级联配准网络依次包括第一级仿射网络、第二级弹性配准网络和第三级弹性配准网络，且在第一级仿射网络与第二级弹性配准网络之间、第二级弹性配准网络与第三级弹性配准网络之间、以及第三级弹性配准网络之后分别设置有第一空间变换网络、第二空间变换网络、以及第三空间变换网络；

步骤3：将训练集的浮动图像I_M与固定图像I_F输入至无监督级联配准网络；

步骤4：设定损失函数；

步骤5：基于损失函数对无监督级联配准网络进行训练。

2.根据权利要求1所述一种基于人工智能的磁共振影像无监督级联配准方法，其特征在于，所述步骤1中预处理包括以下步骤：

对原始MRI图像进行归一化处理获得归一化MRI图像，将归一化MRI图像和分割标签裁剪至像素大小一致，获得预处理MRI图像和对应的分割标签。

3.根据权利要求2所述一种基于人工智能的磁共振影像无监督级联配准方法，其特征在于，所述第一级仿射网络包含多个卷积模块，每个卷积模块包括卷积层和激活层，第一级仿射网络中：第一个卷积模块至倒数第三个卷积模块串行连接，倒数第三个卷积模块的输出特征图分别输入到倒数第二个卷积模块和最后一个卷积模块，倒数第二个卷积模块输出3个旋转参数、3个缩放参数和3个剪切参数，最后一个卷积模块输出3个平移参数。

4.根据权利要求3所述一种基于人工智能的磁共振影像无监督级联配准方法，其特征在于，所述第二级弹性配准网络包括编码器、解码器、以及多个额外卷积模块，编码器包括多个用于下采样的卷积模块，每个卷积模块包括1个卷积层和1个LeakyReLU激活层；解码器包括多个卷积模块，解码器中的卷积模块数量与编码器的卷积模块数量一致，解码器中的特征图与编码器的对应的特征图跳跃连接，每个解码器的卷积模块之后设置有1个上采样层。

5.根据权利要求4所述一种基于人工智能的磁共振影像无监督级联配准方法，其特征在于，所述最后一个额外卷积模块的输出通道为3，3个输出通道分别对应体素点在各坐标方向上的位移量。

6.根据权利要求5所述一种基于人工智能的磁共振影像无监督级联配准方法，其特征在于，所述第三级弹性配准网络的结构与第二级弹性配准网络的结构相同，第三级弹性配准网络的编码器的卷积层的卷积核大小小于第二级弹性配准网络的编码器的卷积层的卷积核大小。

7.根据权利要求6所述一种基于人工智能的磁共振影像无监督级联配准方法，其特征在于，所述损失函数

L_{sim_1}为第一级形变图像I_{W_1}与固定图像I_F之间的相似性测度损失，L_{smooth_1}为第一级形变场的平滑约束损失，L_{sim_2}为第二级形变图像I_{W_2}与固定图像I_F之间的相似性测度损失，L_{smooth_2}为第二级形变场的平滑约束损失，L_{sim_3}为第三级形变图像I_{W_3}与固定图像I_F之间的相似性测度损失，L_{smooth_3}为第三级形变场的平滑约束损失，α₁、α₂、α₃分别是三个相似性测度权重，λ₁、λ₂、λ₃分别是三个正则化约束项系数。

8.根据权利要求7所述一种基于人工智能的磁共振影像无监督级联配准方法，其特征在于，所述平滑约束损失基于以下公式：

其中，Ω表示形变场的三维图像域，p表示形变场在整个三维图像域Ω中的体素点，表示形变场各方向的空间梯度，