[发明专利]一种基于生成对抗网络的图像非刚性配准方法及系统

权利要求书

1.一种基于生成对抗网络的图像非刚性配准方法，其特征在于，所述配准方法包括：

图像数据集的扩充，基于真实的医学图像数据集获取合成的医学图像数据集，将合成的数据集作为生成对抗网络模型的训练样本，将真实的数据集作为最优化生成对抗网络模型的验证和测试数据集；

构造生成对抗网络模型的结构，所述生成对抗网络模型包括生成器网络和判别器网络，所述生成器网络包括多个下采样网络层和对应相同数目的上采样网络层，用于获取参考图像和变形后的浮动图像之间预测的像素位移矢量场；所述判别器网络包括多个下采样网络层，用于对生成器网络结合重采样器的配准结果进行判断，并进行反向调节训练；

基于所述合成的医学图像数据集，对所述生成对抗网络模型进行迭代训练，得到最优化的生成对抗网络模型；

基于所述最优化的生成对抗网络模型对真实医学图像数据集中的待配准图像对进行图像的非刚性配准，得到与参考图像贴近的矫正后图像；

所述基于所述合成的医学图像数据集，对所述生成对抗网络模型进行迭代训练，得到最优化的生成对抗网络模型，具体迭代训练步骤如下：

从所述的合成的医学图像数据集中调取参考图像和变形后的浮动图像；

根据所述的参考图像和所述变形后的浮动图像计算二者之间对应的差值图像和梯度图像；

将所述参考图像和所述变形后的浮动图像以及二者之间对应的差值图像和梯度图像作为生成器网络的输入，确定参考图像和变形后的浮动图像之间的预测的像素位移矢量场；

根据所述预测的像素位移矢量场，利用重采样器对预测的位移矢量场中像素点对应的特征信息进行可视化；

将可视化后的特征信息作用于所述变形后的浮动图像，对变形后的浮动图进行矫正，得到矫正后的图像；

将所述矫正后的图像和参考图像作为判别器网络的输入，分别提取矫正后图像和参考图像之间对应的特征信息；

根据所述参考图像和浮动图像的特征信息构造判别器的对抗损失函数、判别器的判别损失函数以及生成器损失函数；

根据上述的对抗损失函数、判别损失函数以及生成器损失函数，通过反向传播的方式，对判别器网络和生成器网络中的参数进行不断的更新优化；其中，在不断更新优化的过程中，生成器网络会生成得到一系列的预测的像素位移矢量场，结合重采样器会得到对应一系列的矫正后图像；判别器网络通过学习矫正后的图像和参考图像，来确定矫正后的图像与参考图像的贴近程度，输出配准质量评估的反馈信号；生成器网络会根据反馈信号来优化网络参数，从而获取更加精细的预测的像素位移矢量场，结合重采样器获得更加准确的矫正后的图像，最终得到最优的生成器网络和判别器网络。

2.根据权利要求1所述的基于生成对抗网络的图像非刚性配准方法，其特征在于，所述的医学图像数据集的扩充，基于真实的医学图像数据集获取合成的医学图像数据集的具体流程如下：

从真实的医学图像数据集中获取参考图像I_F和浮动图像I_M；

通过手工标注交互式配准，获取所述参考图像和浮动图像之间标准的像素位移矢量场；

根据预设的角度和位移对所述标准的像素位移矢量场进行旋转和平移，获取变形后的像素位移矢量场；

将所述变形后的像素位移矢量场作用于所述的真实数据集中配准好的图像对中的浮动图像，得到变形后的浮动图像从而基于真实的数据集获得合成的医学图像数据集，所述合成的医学数据集包括参考图像和变形后的浮动图像。

3.根据权利要求2所述的基于生成对抗网络的图像非刚性配准方法，其特征在于，旋转角度为在360°内每隔5°旋转一次，平移的移动距离由-5mm至+5mm。