[发明专利]一种基于局部-全局信息协作的大脑医学图像配准方法及系统

权利要求书

1.一种基于局部-全局信息协作的大脑医学图像配准方法，其特征在于，包括：获取待配准的大脑医学图像，将待配准的大脑医学图像输入到训练好的大脑医学图像配准模型中，得到翘曲图像；

大脑医学图像配准模型的训练过程包括：

S1：获取用于训练的大脑医学图像并对其进行预处理，得到移动图像和固定图像；

S2：在通道维度拼接移动图像和固定图像，得到拼接图像；

S3：将拼接图像输入到全局自注意力关系网络中进行处理，得到第一形变场；

S4：将拼接图像输入到局部结构特征网络中进行处理，得到第二形变场；

S5：将第一形变场和第二形变场逐像素按位相加，得到最终形变场；

S6：根据最终形变场采用空间变换网络对移动图像进行翘曲，得到翘曲图像；

S7：根据翘曲图像和固定图像计算网络的损失函数，根据损失函数调整模型参数，得到训练好的大脑医学图像配准模型。

2.根据权利要求1所述的一种基于局部-全局信息协作的大脑医学图像配准方法，其特征在于，对大脑医学图像进行预处理的过程包括：对大脑医学图像进行仿射配准、灰度归一化操作，将仿射配准、灰度归一化后的图像裁剪到统一尺寸；从裁剪后的图像中随机选取部分图像作为移动图像，剩余的图像为固定图像。

3.根据权利要求1所述的一种基于局部-全局信息协作的大脑医学图像配准方法，其特征在于，拼接图像在全局自注意力关系网络中的处理过程包括：对拼接图像进行分块嵌入处理，得到多个图像块；将多个图像块依次输入四个编码器中进行处理，前一个编码器的输出为下一个编码器的输入，得到四个不同尺寸的编码器特征图；对四个不同尺寸的编码器特征图依次进行三线性插值上采样处理得到四个与编码器特征图尺寸相同的特征图即还原特征图；同时采用多尺度特征融合模块对四个编码器特征图和还原特征图进行融合，得到第一形变场。

4.根据权利要求3所述的一种基于局部-全局信息协作的大脑医学图像配准方法，其特征在于，编码器对图像块的处理过程包括：将图像块进行线性操作分解为Q、K、V三组特征向量，将Q和K的转置进行点积后再进行归一化处理，最后通过Softmax激活函数处理得到置信度矩阵；将置信度矩阵点乘V得到加权特征图，采用多层感知器对加权特征图进行激活，输出编码器特征图。

5.根据权利要求3所述的一种基于局部-全局信息协作的大脑医学图像配准方法，其特征在于，多尺度特征融合模块对四个编码器特征图和还原特征图进行融合的过程包括：对四个编码器特征图分别进行卷积处理，得到四个第一特征图，在通道维度拼接这四个第一特征图，得到拼接特征图；对拼接特征图分别进行最大池化操作和平均池化操作，得到拼接特征图的最大池化特征图和平均池化特征图；采用多层感知机分别对拼接特征图的最大池化特征图和平均池化特征图进行处理，拼接处理后的图像并使用激活函数进行激活，得到第二特征图；融合第二特征图和编码器特征图，得到四个融合特征图；拼接融合特征图和还原特征图，利用卷积操作处理拼接后的特征图，得到第一形变场。

6.根据权利要求1所述的一种基于局部-全局信息协作的大脑医学图像配准方法，其特征在于，拼接图像在局部结构特征网络中的处理过程包括：将拼接图像依次输入到四个卷积层中进行处理，前一个卷积层的输出为下一个卷积层的输入，得到四个尺寸不同的语义特征；采用解码器分别对四个尺寸不同的语义特征进行处理，得到四个尺度还原的语义特征；采用多尺度特征融合模块对四个尺度还原的语义特征和原尺度语义特征进行融合，得到第二形变场；其中，解码器包括卷积层和三线性插值上采样层。

7.根据权利要求1所述的一种基于局部-全局信息协作的大脑医学图像配准方法，其特征在于，计算网络的损失函数的过程包括为：计算翘曲图像和固定图像的相似度；构建形变场的正则化约束函数；根据相似度和正则化约束函数计算网络的损失函数。

8.一种基于局部-全局信息协作的大脑医学图像配准系统，其特征在于，包括：预处理模块、图像拼接模块、全局自注意力关系网络模块、局部结构特征网络模块、形变场融合模块和配准模块；

所述预处理模块用于对待配准的图像进行预处理，得到移动图像和固定图像；

所述图像拼接模块用于拼接移动图像和固定图像，得到拼接图像；

所述全局自注意力关系网络模块用于根据拼接图像获取第一形变场；

所述局部结构特征网络模块用于根据拼接图像获取第二形变场；

所述形变场融合模块用于融合第一形变场和第二形变场，得到最终形变场；

所述配准模块用于根据最终形变场对图像进行配准，输出翘曲图像。