[发明专利]一种融合残差图像信息的2D医学图像配准方法

权利要求书

1.一种融合残差图像信息的2D医学图像配准方法，其特征在于，包括以下步骤：

S100、构建医学图像配准模型，所述图像配准模型包括第一堆叠模块C1、第二堆叠模块C2、粗配准分支网络和精细配准分支网络，所述粗配准分支网络和精细配准分支网络均包括基于卷积神经网络、流预测网络和视觉转换器中的多头注意力网络构建的配准网络；

S200、选择若干数据对构成训练数据对集，每个数据对均包括一张待配准医学训练图像和一张参考医学训练图像，利用所述训练数据对集对所述医学图像配准模型进行若干次训练，每次训练过程使用一个没有用过的数据对，每一次训练过程具体包括以下步骤：

S210、从所述训练数据对集选择一数据对，根据所述第一堆叠模块C1、粗配准分支网络，以及当前选择的数据对的待配准医学训练图像I_moving1和参考医学训练图像I_fixed1，得到大位移变形场V_coarse和粗配准图像I_coarse；

S220、根据所述参考医学训练图像I_fixed1、粗配准图像I_coarse、第二堆叠模块C2、大位移变形场V_coarse、待配准医学训练图像I_moving1和精细配准分支网络，得到完整变形场V_full和最终配准后图像I_moved1；

S230、使用MSE计算所述粗配准图像I_coarse和参考医学训练图像I_fixed1之间的相似度损失L_mse1，使用多分辨率残差图像相似度金字塔模块，根据所述粗配准图像I_coarse和参考医学训练图像I_fixed1计算残差图像的相似度损失L_res1，使用L-2范数的平方作为大位移变形场V_coarse的平滑度正则化损失L_reg1，根据超参数、相似度损失L_mse1、相似度损失L_res1和交叉熵损失L_reg1，计算粗配准阶段总损失L_total1；

S240、使用MSE计算所述最终配准后图像I_moved1和参考医学训练图像I_fixed1之间的相似度损失L_mse2，使用多分辨率残差图像相似度金字塔模块，根据所述最终配准后图像I_moved1和参考医学训练图像I_fixed1计算残差图像的相似度损失L_res2，使用L-2范数的平方作为完整变形场V_full的平滑度正则化损失L_reg2，根据超参数、相似度损失L_mse2、相似度损失L_res2和交叉熵损失L_reg2，计算细配准阶段总损失L_total2；

S250、利用粗配准阶段总损失L_total1，计算所述粗配准分支网络中各神经元的梯度，并进行梯度回传，更新网络参数；

S260、利用细配准阶段总损失L_total2，计算所述医学图像配准模型中的各神经元计算梯度，并进行梯度回传，更新网络参数，完成所述医学图像配准模型的当前次训练；

S300、将待配准医学图像I_moving2和参考医学训练图像I_fixed2输入训练好的所述医学图像配准模型，输出得到配准后的图像I_moved2。

2.根据权利要求1所述的方法，其特征在于，步骤S210具体包括以下步骤：

S211、将待配准医学训练图像I_moving1和参考医学训练图像I_fixed1通过第一堆叠模块C1进行堆叠；

S212、将步骤S211中堆叠后的图像输入所述粗配准分支网络，输出得到大位移变形场大位移变形场V_coarse和粗配准图像I_coarse。