[发明专利]基于球极坐标系深度神经网络的三维图像刚性匹配方法

说明书

本发明公开了基于球极坐标系深度神经网络的三维图像刚性匹配方法，包括如下步骤：S1，构建球极坐标三维图像；S11，将医学影像的三维直角坐标系转换到球极坐标系；S12，以球极坐标系为轴建立三维直角坐标系；S2，对公开的数据集进行预处理，S3，构建卷积神经网络模型并且基于数据集训练网络模型；S31，构建球极坐标三维卷积神经网络模型，输出得到特定的特征空间；S32，基于数据集训练球极坐标三维卷积神经网络模型；S33，对卷积神经网络输出的角变量特征图做插值处理；S4，评估模型的性能；使用卷积神经网络提取三维医学影像中核磁共振影像的低维配准特征用于快速配准，与传统方法对比，减少了时间成本。

技术领域

本发明涉及计算机技术和医学影像配准的交叉技术领域，尤其是涉及基于球极坐标系深度神经网络的三维图像刚性匹配方法。

背景技术

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定义一个相似性指标，采用迭代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经趋于完善，配准度高。但传统方法仍然存在一些问题，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；而且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。

传统方法又分为刚性配准和非刚性配准，刚性配准主要解决的是图像整体移动的问题如平移，旋转等。基于深度学习的配准方法优点在于利用卷积神经网络的局部特征提取能力和学习能力，在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。

深度学习模型源于对人工神经网络的研究，是机器学习的分支，是一种以人工神经网络为架构，对资料进行表征学习的算法。

本发明主要用的深度学习算法是卷积神经网络(CNN)，CNN是由卷积(convolution)，激活(activation)，池化(pooling)三种结构组成。卷积层是CNN算法中的核心部分，通过多个滤波器提取图像的局部信息，生成特征图(feature map)，卷积之后，通常会加入偏置(bias)，并引入非线性激活函数，增加模型的表达能力。池化层是一种降采样操作，主要目标是降低特征图(feature maps)的特征空间，因为特征图(feature maps)的参数太多，而图像细节不利于高层特征的抽取。CNN输出的结果是每幅图像的特定特征空间。

在CNN的发展历程中，在1998年LeNet最先被提出，它定义了CNN中的卷积层、池化层、全连接层的基本结构。接下来是在2002年AlexNet，这个网络模型中率先使用ReLu作为激活函数，并提出了Dropout来避免模型过拟合。之后在2014年被提出的VGG，通过反复堆叠3*3的卷积核和2*2的池化层来构筑了16-19层深的CNN。同年的GooleNet，通过引入了Inception结构，并将最后的全连接层全部替换为简单的全局平均池化层来改进模型。在2015年，ResNet被提出来，它在VGGNet和MSRANet的基础上进一步加深网络，并通过引入残差单元来解决网络过深引起的退化问题，此时神经网络的层数已经达到了数百层。

发明内容

为解决现有技术的不足，针对医学影响配准，实现降低计算量，减少数据配准时间，提升运行效率的目的，本发明采用如下的技术方案：

基于球极坐标系深度神经网络的三维图像刚性匹配方法，包括如下步骤：

S1，构建球极坐标三维图像，包括如下步骤：

S11，将医学影像的三维直角坐标系(x,y,z)转换到球极坐标系

S12，以球极坐标系中的г，和θ为轴建立三维直角坐标系：