[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

说明书

本发明公开了一种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，方法包括以下步骤：采用全卷积神经网络模型对第一二维图像和第二二维图像进行图像变换得到三维变换参数；根据三维变换参数更新第二三维图像；计算第一三维图像和第二三维图像的互信息值；对互信息值进行迭代优化，得到最优三维变换参数。本发明通过全卷积神经网络得到互信息配准的初始值，使得搜索值在全局最优解附近，从而减少搜索次数，提高配准速度；采用了互信息值进行互信息配准搜索，提高了图像配准的精度。本发明可广泛应用于图像处理领域。

技术领域

本发明涉及图像处理领域，尤其是一种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。

背景技术

医学图像配准是医学图像分析和计算解剖的一个关键步骤，被广泛应用于疾病诊断、手术导航、人脑图谱和各种医学评价等方面。医学图像配准指的是：寻找一种最优空间变换，使两幅图像的对应点在给定相似性度量下达到空间位置和解剖位置的一致。Woods等人最早在1993年提出基于像素相似性的配准方法并成功应用到PET/MR(正电子发射计算机断层显像仪和核磁共振成像术)影像配准中。Collignon和Maes、Viola和Wells几乎同时信息论中互信息的概念引入到图像配准中，提出了基于互信息的全自动医学图像配准方法，该方法由于其较高的配准精度和广泛的适应性而被认为配准鲁棒性和精度最好的回溯性配准方法之一。但是用互信息方法进行三维配准时，由于三维医学图像数据量大、空间几何变换参数多，经常存在配准速度慢、实时性差等问题。

随着近些年深度学习的快速发展，越来越多的人将深度学习应用到医学图像配准中。Cheng等人通过训练多层感知机来学习一对图像之间的对应关系。Miao等人通过训练卷积神经网络用于回归任务来进行2D-3D刚性配准。Sloan等人提出一种基于卷积神经网络的二维刚性配准模型，能够快速实现二维多模型配准。Yan等人提出一种基于生成对抗网络的AIR-Net来进行图像配准，通过训练生成器和判别器来得到变换参数以及评价配准效果的度量值。虽然该模型的配准速度非常快，但是很难取得较高的配准精度。

上述两种图像配准方式都存在一定的缺点：基于互信息的全自动医学图像配准方法，由于三维医学图像数据量大、空间几何变换参数多，经常存在配准速度慢、实时性差等问题；基于卷积神经网络的图像配准方法，虽然配准速度快，但是难取得较高的配准精度。

发明内容

为解决上述技术问题，本发明的目的在于：提供一种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。

本发明一方面所采用的技术方案是：一种基于全卷积神经网络和互信息的医学图像配准方法，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。

进一步地，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。

进一步地，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。