[发明专利]基于卷积神经网络的端到端大脑核磁共振图像配准方法

权利要求书

1.一种基于卷积神经网络的端到端大脑核磁共振图像配准方法，其特征在于，包括有如下步骤：

1)选定需要进行配准的待配准图像和目标图像，并对其进行预处理；

2)将两图像堆叠为一个2通道的块输入到仿射变换卷积神经网络模型以预测仿射变换参数，根据仿射变换参数对待配准图像进行几何变换得到预对齐图像，并根据仿射变换参数对单位网格进行几何变换得到对应的位移矢量场1；

3)将预对齐图像与目标图像按步骤2)方式进行堆叠并输入到非线性变换卷积神经网络模型以预测位移矢量场2；

4)利用位移矢量场2对位移矢量场1进行几何变换的结果与位移矢量场2进行相加得到融合后的最终位移矢量场，待配准图像根据最终位移矢量场进行几何变换得到配准图像。

2.根据权利要求1所述的基于卷积神经网络的端到端大脑核磁共振图像配准方法，其特征在于：所述步骤1)中选定核磁共振图像大小为[A,B,C]，A和B为宽度和高度，C为切片数量，预处理的步骤包括：颅骨剥离以及归一化。

3.根据权利要求1所述的基于卷积神经网络的端到端大脑核磁共振图像配准方法，其特征在于：所述步骤2)中堆叠后的图像块大小为[1,A,B,C,2]，仿射变换卷积神经网络模型对图像进行连续下采样以在不同分辨率下进行特征提取，并输出仿射变换参数，由这些变换参数对单位网格进行几何变换得到位移矢量场1然后对待配准图像进行几何变换得到预对齐图像。

4.根据权利要求1所述的基于卷积神经网络的端到端大脑核磁共振图像配准方法，其特征在于：所述步骤3)中预对齐图像和目标图像首先被堆叠为一个整体，非线性变换卷积神经网络模型对其连续下采样以在不同分辨率下学习两者的共性，并将所学特征上采样以得到与原图大小一致通道为3的位移矢量场。

5.根据权利要求1所述的基于卷积神经网络的端到端大脑核磁共振图像配准方法，其特征在于：所述步骤4)中首先需要将仿射变换卷积神经网络模型和非线性变换卷积神经网络模型所学知识进行融合，即利用位移矢量场2位移矢量场1进行几何变换后与位移矢量场2相加实现两个位移矢量场融合，然后根据融合后的位移矢量场对待配准图像进行几何变换得到最终的配准图像。