[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

说明书

本发明公开了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，解决了现有深度学习方法需要利用额外工具进行预对齐数据的技术问题。所述方法包括如下步骤：步骤一：对待配准图像和目标图像进行去除头骨操作并将其灰度值归一化到[0,1]内；步骤二：仿射变换卷积神经网络模型以待配准图像和目标图像为输入，预测出仿射变换参数；步骤三：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计算出对应的位移矢量场；步骤四：将预对齐数据和目标图像输入到非线性变换卷积神经网络模型，其预测非线性变换所需的位移矢量场；步骤五：融合两个位移矢量场；步骤六：利用融合后位移矢量场对待配准图像进行几何变换得到结果配准图像。

技术领域

本发明涉及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，属于医学图像处理领域。

背景技术

随着计算机技术和成像设备的不断革新，医学成像技术逐渐向高分辨率、高精度和高维度趋势发展。不同模态医学图像拥有各自的优缺点而且能够反映不同组织的生理信息，如核磁共振成像(MRI)是适用于反映软组织信息，正电子发射断层成像(PET)能够反映组织新陈代谢信息，适用于肿瘤检测。不同模态图像融合将能给医生提供更丰富、全面的信息，从而提高诊断精度。医学图像配准是保证医学图像正确融合的重要环节。

医学图像配准利用某种优化策略在几何变换空间中寻找能够让两幅或多幅医学图像间达到最大相似性的最优几何变换，使得几何变换后的两幅或多幅医学图像中对应的解剖组织结构处于同一坐标系统中的相同位置，一般地，医学图像配准可以表示为以下优化过程：

其中，和表示几何变换参数(例：仿射变换参数)，Similarity(*)是相似性度量函数，I_f和I_m分别表示目标图像(参考图像)和待配准图像(浮动图像)，表示利用几何变换参数对待配准图像进行几何变换得到的配准结果。

医学图像配准分为传统方法和深度学习方法。传统方法的主要思想是直接利用两幅图像灰度之间的相似性，采用优化方法寻找相似度最大点，确定参考图像和待配准图像之间的最优几何变换参数。目前，基于传统方法的医学图像配准技术已发展成熟，配准精度较高。但是，传统配准方法存在一个关键问题：每一对待配准图像，都需按照特定的优化算法在形变空间搜索最优变换直至相似性度量函数收敛。该优化过程非常耗时且容易陷入局部极值，无法满足医学图像配准在实时性和精度方面的要求。此外，传统方法不具有学习能力，每一对图像都需要进行重复的优化工作。如何让算法能够从图像中学习到图像之间的共性成为了关键。基于深度学习的配准方法特点在于利用卷积神经网络强大的学习能力，在海量的图像数据中提取图像的高阶抽象特征，训练后的深度学习模型能够在极短的时间内完成图像对的配准任务。目前基于深度学习的配准技术主要集中研究非线性性配准，而针对端到端的，即其卷积神经网络模型同时涵盖仿射变换和非线性性变换的研究仍鲜见报道。

发明内容

针对传统配准方法和基于深度学习配准方法存在的缺陷，本发明目的在于提出一种基于卷积神经网络的端到端大脑核磁共振图像配准的技术方案。该方法能够在不利用已有工具对数据预处理的前提下，构建卷积神经网络模型直接利用原始图像数据完成图像的仿射与非线性配准，即端到端的图像配准，并且实现了较高的配准精度。

本发明是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，本发明的技术方案包括有如下步骤：步骤一：选定需要进行配准的图像，进行颅骨剥离并进行归一化，然后堆叠两个图像得到包含两个通道的块；步骤二：仿射变换配准卷积神经网络对图像进行特征提取回归出仿射变换所需要的几何变换参数，即仿射变换参数，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，然后利用仿射变换参数对单位网格进行几何形变计算出对应的位移矢量场1；步骤三：非线性配准的卷积神经网络对预对齐图像和目标图像进行特征提取预测出非刚性线性变换所需要的位移矢量场2；步骤四：利用位移矢量场2对位移矢量场1进行几何变换，其结果与位移矢量场相加得到融合后的最终位移矢量场，根据最终位移矢量场对待配准图像进行几何变换得到最终配准图像。