[发明专利]基于全卷积神经网络和互信息的医学图像配准方法及系统

权利要求书

1.一种基于全卷积神经网络和互信息的医学图像配准方法，其特征在于：包括以下步骤：

使用全卷积神经网络对第一二维图像和第二二维图像进行二维配准，得到二维变换参数；

根据二维变换参数计算第一三维图像和第二三维图像的互信息值；

根据互信息值进行互信息配准搜索，得到最优三维变换参数；

根据最优三维变换参数进行图像配准；

其中，所述第一二维图像为第一三维图像的二维切片图像，所述第二二维图像为第二三维图像的二维切片图像，所述第一二维图像的层数和所述第二二维图像的层数相同。

2.根据权利要求1所述的基于全卷积神经网络和互信息的医学图像配准方法，其特征在于：所述使用全卷积神经网络对第一二维图像和第二二维图像进行二维配准，得到二维变换参数这一步骤，包括：

获取第一二维图像和第二二维图像；

将第一二维图像和第二二维图像输入到全卷积神经网络模型中，得到二维变换参数。

3.根据权利要求1所述的基于全卷积神经网络和互信息的医学图像配准方法，其特征在于：所述根据二维变换参数计算第一三维图像和第二三维图像的互信息值这一步骤，包括：

获取第一三维图像；

对二维变换参数进行初始化，得到三维变换参数；

根据三维变换参数得到第二三维图像；

计算第一三维图像和第二三维图像的互信息值。

4.根据权利要求1所述的基于全卷积神经网络和互信息的医学图像配准方法，其特征在于：所述根据互信息值进行互信息配准搜索，得到最优三维变换参数这一步骤，具体为：

判断是否满足收敛条件：

若是，则结束互信息配准搜索过程，并以当前互信息对应的三维变换参数作为最优三维变换参数；

反之，则对三维变换参数进行参数优化，然后根据参数优化得到的三维变换参数得到第二三维图像，再计算第一三维图像和第二三维图像的互信息值，直至满足收敛条件，最终得到最优三维变换参数；

其中，所述收敛条件为迭代次数等于800或者三维变换参数的振幅小于0.001。

5.根据权利要求2所述的基于全卷积神经网络和互信息的医学图像配准方法，其特征在于：所述使用全卷积神经网络对第一二维图像和第二二维图像进行二维配准，得到二维变换参数这一步骤，还具体包括以下步骤：

对全卷积神经网络模型进行模型训练，其中进行模型训练的损失函数表达式为：

其中，E为损失函数，n为配准参数的个数，为通过全卷积神经网络得到的配准参数，y_i为标签参数，λ_i为不同变换参考的权重。

6.一种基于全卷积神经网络和互信息的医学图像配准系统，其特征在于：包括：

全卷积神经网络单元，用于使用全卷积神经网络对第一二维图像和第二二维图像进行二维配准，得到二维变换参数；

计算单元，用于根据二维变换参数计算第一三维图像和第二三维图像的互信息值；

互信息配准搜索单元，用于根据互信息值进行互信息配准搜索，得到最优三维变换参数；

图像配准单元，用于根据最优三维变换参数进行图像配准；

其中，所述第一二维图像为第一三维图像的二维切片图像，所述第二二维图像为第二三维图像的二维切片图像，所述第一二维图像的层数和所述第二二维图像的层数相同。

7.根据权利要求6所述的基于全卷积神经网络和互信息的医学图像配准系统，其特征在于，所述全卷积神经网络单元包括：

二维图像获取模块，用于获取第一二维图像和第二二维图像；

二维变换参数获取模块，用于将第一二维图像和第二二维图像输入到全卷积神经网络模型中，得到二维变换参数。