[发明专利]一种基于元学习的医学图像配准方法及装置

说明书

本发明公开了一种基于元学习的医学图像配准方法及装置，首先获取多领域不同模态的可配准医学数据集，对其进行预处理、分类与任务定义后分别得到预训练任务集与新任务集；然后利用预训练任务集对预设目标配准模型进行预训练，预设目标配准模型收敛后求得第一模型参数；再在预训练任务集中随机抽样出任务，对每一个任务都进行随机次数k次的梯度下降后求出任务的微调后参数，利用微调后参数不断回溯更新之前的第一模型参数直到收敛，收敛后求得第二模型参数；接着前一步骤中得到的收敛模型进行新任务集的训练，收敛后求得第三模型参数；最后利用前一步骤中得到的收敛模型对新目标任务中的医学图像进行配准。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于元学习的医学图像配准方法及装置。

背景技术

现有的医学图像配准方法主要传统算法优化方法与深度学习方法，前者受制于算法本身的时间与空间复杂度，而后者往往需要大量的训练样本进行训练，同时训练完毕的模型应用领域单一有限。随着医学各领域的发展，现有的医学图像配准方法已经不能够完全满足所有医学领域，尤其是因为各种原因导致训练样本不多的医学领域。

发明内容

本发明的目的在于提供种基于元学习的医学图像配准方法及装置，用于解决现有技术中采用传统深度学习需要大量训练集的技术问题。

为了解决上述技术问题，本发明技术方案为：

第一方面提供了一种基于元学习的医学图像配准方法，包括：

S1：获取多领域不同模态的可配准医学数据集，对其进行预处理、分类与任务定义后分别得到预训练任务集与新任务集；

S2：利用预训练任务集对预设目标配准模型进行预训练，预设目标配准模型收敛后求得第一模型参数，其中，判断预设目标配准模型是否收敛时采用相似性测度函数；

S3：在预训练任务集中随机抽样出任务，对每一个任务都进行随机次数k次的梯度下降后求出任务的微调后参数，并利用微调后参数不断回溯更新之前的第一模型参数直到收敛，收敛后求得第二模型参数；

S4：利用步骤S3中得到的收敛模型进行新任务集的训练，收敛后求得第三模型参数；

S5：利用步骤S4中得到的收敛模型对新目标任务中的医学图像进行配准。

在一种实施方式中，步骤S2中预设目标配准模型为Voxelmorph模型。

在一种实施方式中，步骤S2中的相似性测度函数为：

其中，NMI()为参数的归一化互信息，F为固定图像，M(Φ)为形变后的运动图像，为形变场的梯度，μ为权重参数。

在一种实施方式中，步骤S3包括：

S3.1：在预训练集中随机抽取一任务D_r；

S3.2：在抽取的任务D_r中随机抽取k_t对配准图像对，对当前模型依照与步骤2相同的相似性测度函数进行k_t次梯度下降；

S3.3：求出梯度下降后任务的微调后参数θ_t，利用任务的微调后参数更新当前模型的参数，更新方法为：

其中α为学习率，k_t为当前轮次进行的梯度下降次数，θ_me为当前模型本轮更新后的参数，m为当前轮次结束后一共所用的轮次数量，t为当前轮次；

S3.4：重复执行步骤S3.1至S3.3直至模型收敛，求得当前模型本轮更新后的参数θ_me，作为第二模型参数。