[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

说明书

本发明公开了一种基于人工智能的磁共振影像无监督级联配准方法。该方法包括：对原始MRI图像进行预处理，并划分训练数据集和测试集；然后搭建无监督级联配准网络，包括第一级仿射网络、第二级弹性配准网络、第三级弹性配准网络和空间变换网络；将训练集输入到无监督级联配准网络中，得到每一级的形变场和形变图像；定义一个损失函数，包括每一级形变图像与固定图像的相似性测度损失，和每一级形变场的正则化损失；再根据设定的损失函数和随机梯度下降法训练无监督级联配准网络，保存模型参数。本发明方法计算出的形变图像与固定图像具有高度相似性，产生的形变场符合实际形变过程，能够实现快速、精准地磁共振影像配准。

技术领域

本发明涉及磁共振影像配准技术领域，更具体地，涉及一种基于人工智能的磁共振影像无监督级联配准方法，用于对磁共振影像进行配准。

背景技术

磁共振成像(Magnetic Resonance Imaging,MRI)是一种非侵入性的无创、无电离辐射的成像技术，在目前的研究中非常重要并且应用广泛。它利用核磁共振这种物理现象，基于特定频率的射频(Radio Frequency,RF)脉冲，使人体中检测部位的氢质子产生磁共振反应从而生成图像。相比于其他成像技术，MRI适合于对人体的非骨性部位或软组织成像，其图像具有较高的软组织对比度和空间分辨率，能够清晰地显示出肌肉、脑灰质/白质、关节软骨等不同的软组织[Gordillo N,Montseny E,Sobrevilla P.Magn Reson Imaging,2013,31:1426]，并且MRI还可以通过设置不同的成像参数获得种类丰富的图像信息。

图像配准是指对不同模态、不同时间、不同个体或不同维度的两幅图像进行一系列空间变换，使两幅图像中对应的点具有空间一致性。通常情况下，将待配准的图像称为浮动图像，而另外一幅保持不变的图像称为固定图像。磁共振影像配准可以将不同磁共振影像的多种信息结合起来，在图像分析中有重要作用[Crum W R,Hartkens T,Hill D.Br JRadiol,2004,77:140.]。

然而在现有的基于人工智能的磁共振影像配准任务中，缺少关键的金标准，即配准的真实形变场。有监督配准方法以传统方法的配准结果作为真实形变场[Cao X,Yang J,Zhang J.IEEE.Trans.Biomed.Eng.,2018,45:1900.]，或者通过人工合成的方式生成真实形变场，但前者的配准精度受限于传统方法的误差，后者的人工生成的伪标签不能反映真实形变过程。无监督配准方法通过空间变换网络(Spatial Transformer Network,STN)根据学习的参数完成对浮动图像的空间变换，从而实现了以相似性测度作为损失函数训练网络，避免了没有金标准对配准任务的影响。但是目前的无监督方法大多基于单一的配准网络学习两幅图像之间的空间映射关系，通过网络预测的形变场一步完成从浮动图像到固定图像的形变[Balakrishnan G,Zhao A,Sabuncu M R.IEEE Trans Med Imaging,2019,38:1788.]，在局部图像上提取细微形变特征的能力有限，并且一步形变的方式对形变位移大的对应点配准不够精确。由于卷积神经网络本身的局限，提取特征时感受野不够大，还会导致无法准确识别两幅图像中距离较远的对应点。因此现有方法的配准精度有待提升，配准误差会影响临床应用。

发明内容

本发明的目的在于针对现有技术存在的上述缺陷，提出了一种基于人工智能的磁共振影像无监督级联配准方法，将一个仿射网络与一个感受野较大的弹性配准网络和一个感受野较小的弹性配准网络级联，分别完成仿射对齐、粗配准和精细配准过程，通过三级形变的方式完成对浮动图像的空间变换，从而快速、准确地实现磁共振影像无监督级联配准。

本发明的上述目的通过以下技术方案实现：

一种基于人工智能的磁共振影像无监督级联配准方法，包括以下步骤：