[发明专利]一种肺部4D-CT医学图像配准方法及系统

说明书

本公开提供了一种肺部4D‑CT医学图像配准方法及系统，获取一个呼吸周期内的CT影像数据；对获取的一个呼吸周期内的CT影像数据做至少两次下采样，得到的结果作为第一全连接网络的输入，得到第一形变场；将第一形变场进行一次上采样操作，对获取的一个周期的3D肺部CT图像做一次下采样操作，两者共同作为第二全连接网络的输入，得到第二形变场；将第二形变场进行一次上采样操作，并与获得的一个呼吸周期内的CT影像数据共同作为第三全连接网络的输入，得到第三形变场；本公开将不同分辨率图像输入到网络中学习不同尺度特征，将所得到的低分辨率的形变场作为相对高分辨率网络的输入，最后得到总的配准形变场，极大的提高了配准精度。

技术领域

本公开涉及图像处理技术领域，特别涉及一种肺部4D-CT医学图像配准方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

肺部4D-CT是指同一个患者在一个呼吸周期内的CT影像集合，其可以反应肺部肿瘤的运动情况。通过对在对肺部的4D-CT图像肿瘤进行配准，使不同时刻的肿瘤反映在同一个坐标尺度下，可以对肺部肿瘤进行放射治疗。因此肺部的4D-CT图像配准是肺癌放疗计划和实施的关键步骤。

形变图像配准拥有几十年的历史，其作为医学图像研究中的基本任务，直到今天仍旧是一个热门的研究课题。形变图像配准的目的是在两幅图像之间建立稠密的非线性空间对应关系，并采取适当的非线性变换来对两幅图像进行配准，使两幅图像之间的相似性最大化。传统的形变配准方法通常将该问题建模为一个优化问题，并力求以迭代方式使能量函数最小化。但是，这些方法通常将配准问题表述为一个独立的迭代优化问题。因此，配准时间显著增加。

近几年随着深度学习的快速发展，许多基于深度学习的医学图像配准方法相继提出，这些方法通常将配准问题定义为卷积神经网络的学习问题。与传统方法相比，基于深度学习的方法可以通过预先训练好的模型有效地预测测试图像对的转换，快速的实现配准。根据是否需要监督信息可以将基于深度学习的方法分为监督学习方法和非监督学习方法。监督学习方法通常需要图像特定的“金标准”(医生手工标记等)来对网络进行指导学习。

发明人发现：尽管监督学习的方法加快了图像配准的进程，但是由于“金标准”信息难以收集，监督方法在实践中通常效果有限；此外，监督学习方法的配准性能很大程度上取决于预定义的“金标准”的质量。无监督的方法通过利用卷积神经网络、空间变换和可微的相似度函数以无监督的方式学习输入图像对之间的密集空间映射。这些方法在进行网络训练的时候不依赖于任何预先定义的监督信息，许多研究表明这些方法在实现快速配准的同时，获得了与经典配准方法相当的配准精度。然而，上述方法多数采用成对的方式将数据集中图像输入到网络中进行学习，这样虽然会的到较好的结果，但是所得网络训练参数仅仅是与所选固定图像相关，这势必会忽略一部分图像特征。此外基于成对输入的方法还需要大量的数据集来训练网络参数，而医学图像数据集的数量受到多方的约束，不可能有充足的数据进行训练，因而为了缓解数据量的缺乏，现有的成对训练的方法将不同患者的CT图像混在一起进行网络训练，这样势必会造成一些配准误差。最后现有的基于深度学习方法大多数通常只对形变场进行正则化约束，虽然正则化约束的权值可以控制变形场的平整度，但是当正则化约束的权值较大时可能会降低模型的配准精度；正则化约束的权值较小时会出现变换中的折叠现象(通常意味着配准错误)。

发明内容

为了解决现有技术的不足，本公开提供了一种肺部4D-CT医学图像配准方法(Multiple-net)及系统，具体内容为让原始图像为高分辨率图像，对原始图像分别进行一次下采样、两次下采样，得到中、低分辨率图像，将不同分辨率图像输入到网络中学习不同尺度特征，将所得到的低分辨率的形变场进行一次上采样并作为相应高分辨率网络的输入，最后得到总的配准形变场，解决了医学图像数据集较少时的图像配准问题，极大的提高了配准精度。

为了实现上述目的，本公开采用如下技术方案：

本公开第一方面提供了一种肺部4D-CT医学图像配准方法。