[发明专利]一种基于深度学习的仰卧位和俯卧位乳腺图像配准方法

说明书

本发明公开了一种基于深度学习的仰卧位和俯卧位乳腺图像配准方法。该方法包括：构建深度学习配准网络，该配准网络包含仿射配准网络、第一空间变换网络、弹性配准网络和第二空间变换网络，其中在弹性配准网络的上采样结构中，每一个上采样层都输出一个变形场；训练所述配准网络，计算变形场以及固定图像和变换后的移动图像之间的损失函数值，直到设定的总损失函数满足优化收敛条件，其中固定图像是仰卧位或俯卧位乳腺图像，移动图像是与固定图像不同体位的俯卧位或仰卧位乳腺图像。本发明具有配准速度快，模型简单，泛化性能强并产生了较少的不符合实际的变形。

技术领域

本发明涉及医学图像处理技术领域，更具体地，涉及一种基于深度学习的仰卧位和俯卧位乳腺图像配准方法。

背景技术

图像配准的目的是求取两幅图像之间的一种或者一系列变换，使得两幅图像中对应点达到空间位置上的一致。这两幅图像分别称作固定图像和移动图像。仰卧位和俯卧位乳腺图像是指在拍摄医学图像时病人处于仰卧位和俯卧位的体位。由于乳腺组织是一个软组织以及病人体位的变化，使得不同体位下乳腺的形状发生很大的变化，从而使得仰卧位和俯卧位的乳腺图像配准难度加大。仰卧位和俯卧位的乳腺图像配准在乳腺癌的诊断，手术以及术后的放射治疗中都具有潜在的应用。

现有基于深度学习的仰卧位和俯卧位的乳腺图像配准方法采用多网络级联的方式将大形变配准问题分解成若干个小形变配准问题，也就是利用若干个配准网络，每个网络学习一部分形变，然后将多个网络的学习结果进行组合得到最终的配准结果。这种方案是端到端的配准方法，包含仿射配准网络和三个弹性配准网络。仿射网络的损失函数是固定图像和经过仿射变换后的移动图像之间的归一化互相关损失函数，弹性配准网络损失函数是变形场的正则化损失函数。最后再计算最终得到的变换后的移动图像和固定图像之间的归一化损失函数。因此，在现有乳腺配置方法中，网络个数较多，计算量和参数量较多，而由于训练数据集有限，容易出现过拟合的情况，而且生成的变形场存在较多的不符合实际的变形。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种基于深度学习的仰卧位和俯卧位乳腺图像配准方法，配准速度快，并能够减少变形场中不符合实际的变形情况的出现。

根据本发明的第一方面，提供一种基于深度学习的仰卧位和俯卧位乳腺图像配准方法。该方法包括以下步骤：

构建深度学习配准网络，该配准网络包含仿射配准网络、第一空间变换网络、弹性配准网络和第二空间变换网络；

训练所述配准网络，计算变形场以及固定图像和变换后的移动图像之间的损失函数值，直到设定的总损失函数满足优化收敛条件，其中固定图像是仰卧位或俯卧位乳腺图像，移动图像是与固定图像不同体位的俯卧位或仰卧位乳腺图像；

其中仿射配准网络以固定图像I_F和移动图像I_M为输入进行仿射配准，输出变形场φ₁；第一空间变换网络以变形场φ₁和移动图像I_M作为输入，输出经变形场变换后的移动图像I′_M；弹性配准网络以固定图像I_F和移动图像I′_M为输入，用于进行局部配准，并且在上采样结构中，每一个上采样层都输出一个变形场，最后的上采样层输出的变形场标记为φ₂₅；第二空间变换网络以组合变形场和移动图像I_M为输入，得到变换后的移动图像I″_M。

根据本发明的第二方面，提供一种乳腺图像配准方法。该方法包括：将待配准的乳腺图像输入上述根据本发明获得的经训练深度学习配准网络，获得配准图像。

与现有技术相比，本发明的优点在于，针对现有的仰卧位和俯卧位乳腺图像配准方法具有建模复杂，配准速度慢，配准精度不高和个体差异性等问题，本发明提出一种基于深度学习的仰卧位和俯卧位的乳腺图像配准方法，具有配准速度快，模型简单，泛化性能好并产生了较少的不符合实际的变形。