[发明专利]一种融合残差图像信息的2D医学图像配准方法

说明书

本发明公开了一种融合残差图像信息的2D医学图像配准方法，涉及医学图像技术领域，包括：构建医学图像配准模型；模型训练；模型在图像配准的应用。本发明在计算MSE相似度时引入残差图像，有效融合局部像素信息，解决了像素失位和变形折叠的问题；基于卷积神经网络的局部性和Vision Transformer中多头注意力机制的全局性，设计了一个基础地配准网络，并在该基础配准网络中创新性地使用了融合残差图像信息的跳跃连接，解决了MSE仅对像素值计算，无法准确找到像素之间特征匹配的问题，并有效提高了配准模型的泛化性能；提出了多分辨率渐进配准策略，提高了配准的准确性，在变形过程中增强了拓扑保持性。

技术领域

本发明涉及医学图像技术领域，具体而言，涉及一种融合残差图像信息的2D医学图像配准方法。

背景技术

图像配准在医学图像处理与分析中有众多具有实用价值的应用。随着医学成像设备的进步，对于同一患者，可以采集含有准确解剖信息的图像诸如CT，MRI；同时，也可以采集到含有功能信息的图像诸如SPECT。然而，通过观察不同的图像进行诊断需要凭着空间想象和医生的主观经验。采用正确的图像配准方法则可以将多种多样的信息准确地融合到同一图像中，使医生更方便更精确地从各个角度观察病灶和结构。同时，通过对不同时刻采集的动态图像的配准，可以定量分析病灶和器官的变化情况，使得医疗诊断、制定手术计划、放射治疗计划更准确可靠。

1.传统的迭代优化算法

传统的配准算法如demons、SyN。

Demons将需要对齐的图像轮廓视为一种扩散模型，针对轮廓上的每一个像素点施加一个恶魔力(demon force)，每个轮廓点受恶魔力的作用下进行位移扩散。每个点的恶魔力根据图像周围像素的数值梯度计算得到，缺点在于对齐的像素之间缺少图像语义特征的匹配。

SyN方法扩展了Avants等人描述的拉格朗日二型配准技术(2006a)。这种新的公式具有配准两个图像I和J所需的对称属性，在差异转换的空间中，无论选择的相似性度量如何，都可以保证对称性。对称的微分同胚映射保证了两种配准中固有的属性：1)从i到j的配准与从j到i的配准在计算时应不受相似性度量或优化参数的影响2)图像配准需要对称性，并使配准结果不受人为意志的影响，即决定两张图像为“固定图像”或“移动图像”的输入顺序。是目前传统方法中的最好的方法，但缺点在于过分强调了配准过程中的对称性，有时无法同时保证配准准确性。

传统方法中都存在的一个共有缺点是：传统的配准方法通过对齐具有相似外观的体素，同时对配准映射实施约束，解决了每个体积对的优化问题，但求解成对优化可能是计算密集型的，因此在实践中很慢。例如，在CPU上运行的最先进的算法可能需要数十分钟到数小时才能注册一对高精度扫描。

2.现有的基于深度学习的方法

为了提高图像配准效率，许多基于深度学习的配准方法被提出。根据网络的训练方式，可以将这些方法归类为有监督的学习和无监督学习。

在有监督的方法中，需要变形场真值或解剖学真值标签，模型根据输入的图像对，以变形场真值标签作为优化目标提取特征。Sokooti等提出了一种卷积神经元网络(CNN)，以直接依赖人工生成的位移矢量场来直接估计变形场。Cao等已经开发了一种可变形的模态间图像配准方法，该方法使用同一模态内相似性监督的深神经网络估算了跨模态图像间配准的变形场。这些方法的缺点在于这些方法的配准性能在很大程度上取决于通常在临床情况下很难获得的变形场真值。