[发明专利]基于多通道卷积神经网络的MRI不同期多模图像表征方法

说明书

本发明公开了一种基于多通道卷积神经网络的MRI不同期多模图像表征方法，包括以下步骤：(1)采集一系列已配准的MRI不同期图像；(2)对这些图像进行标准化处理；(3)构建多通道卷积神经网络，并对其进行训练；(4)将待表征的某一期MRI图像经标准化处理后输入到多通道卷积神经网络中，从而输出得到表征结果。本发明将卷积神经网络引入到图像表征中，通过网络自主学习不同模态间的相似特征，由此可解决现有表征方法相似度低、鲁棒性差的技术问题，输出的表征图像既忠实于原始输入图像又使得多通道输出的不同期表征图像尽可能相似，同时满足了很多应用实时性的要求。

技术领域

本发明属于医学图像表征领域，更具体地，涉及一种基于多通道卷积神经网络的MRI不同期多模图像表征方法，该方法尤其是种实时表征方法。

背景技术

MRI具有无辐射、软组织结构显示清晰、多序列成像、多种类型成像等特点广泛的应用于人们的日常生活中，然而，由于不同期MRI图像在灰度范围、对比度以及纹理方面的明显差异，使得配准工作较为困难。为了解决这一困难，多模图像表征应运而生，目的是为了缩小不同模态图像间的差异性。图像表征作为医学图像配准的重要组成部分，已广泛应用于刚性与非刚性配准中。

现阶段医学图像表征方法主要包括Sobel、熵图、拉普拉斯图、Zernike矩等方法，但由于MRI多模图像亮度、对比度以及纹理等方面的差异，且上述方法均在原始图像上操作，无法借鉴其他模态图像的信息。因此，得到的表征图依旧会存在较大的差异，只适用于一些纹理较为简单的图像，鲁棒性和使用普及性较差。另外，如手术导引、放射治疗等多模问题，涉及到实时性，传统图像表征方法也无法实现。为了有效克服传统图像表征存在的问题，本发明提供了一种新颖有效的表征方法，尤其可用于实时表征。

发明内容

针对现有图像表征技术的以上缺陷或改进需求，本发明的目的在于提供一种基于多通道卷积神经网络的MRI不同期多模图像表征方法，其中通过对该表征方法的整体流程处理设计，尤其是关键标准化处理、卷积神经网络训练等进行改进，将卷积神经网络引入到图像表征中，通过网络自主学习不同模态间的相似特征，由此可解决现有表征方法相似度低、鲁棒性差的技术问题，输出的表征图像既忠实于原始输入图像又使得多通道输出的不同期表征图像尽可能相似，同时满足了很多应用实时性的要求。并且，本发明还对表征方法中所采用的多通道卷积神经网络其结构等进行优选控制，可有效减少图像信息的丢失。

为实现上述目的，按照本发明的一个方面，提供了一种基于多通道卷积神经网络的MRI不同期多模图像表征方法，其特征在于，包括以下步骤：

(1)采集一系列已配准的MRI不同期图像；

(2)根据所述步骤(1)得到的各个图像的具体模态信息以及它们的灰度直方图对这些图像进行标准化处理，得到这些一系列已配准的MRI不同期图像的标准化图像，这些标准化图像中属于同一种模态的标准化图像它们的灰度直方图具有相同的最小灰度值、相同的最大灰度值以及相同的峰位置灰度值；

(3)构建初始多通道卷积神经网络，该初始多通道卷积神经网络中的每一通道对应于一种固定模态的MRI图像；然后，以所述步骤(2)得到的所述标准化图像作为训练数据，将这些标准化图像输入到与图像模态对应的所述初始多通道卷积神经网络的通道中，对该初始多通道卷积神经网络中的通道分别进行训练，得到训练后的多通道卷积神经网络；

(4)测试表征步骤：将待表征的某一期MRI图像进行标准化处理得到标准化的待表征图像，该标准化的待表征图像其灰度直方图与所述步骤(2)得到的所述标准化图像中属于同一模态的标准化图像的灰度直方图具有相同的最小灰度值、相同的最大灰度值以及相同的峰位置灰度值；然后，将该标准化的待表征图像输入至所述步骤(3)得到的所述训练后的多通道卷积神经网络与该待表征图像模态相对应的通道中，从而得到该通道输出的表征结果。