[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

说明书

本发明属于医学图像处理技术领域，具体涉及一种基于局部‑全局信息协作的大脑医学图像配准方法及系统；该方法包括：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；在通道维度拼接移动图像和固定图像，得到拼接图像；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；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；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；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；本发明提升了配准的精度和泛化能力；比起现有技术，具有更好图像配准的效果。

技术领域

本发明属于医学图像处理技术领域，具体涉及一种基于局部-全局信息协作的大脑医学图像配准方法及系统。

背景技术

在大多数医疗干预中，有许多情况下需要拍摄一些图像以进行诊断、预后、治疗等。这些图像在时间、空间、维度或模块方面有所不同。图像配准可以在指导和支持医生决策过程中发挥重要作用。对于这些在不同时间、条件和设置下拍摄的图像，不可避免的存在图像未对齐的情况，因而在后续的准确性分析中将面临很大的挑战。在进行医学图像处理分析时,经常要将同一病人几幅不同时期或者不同模态的图像放在一起进行比对分析,从而得到该病人多方面的综合信息,以提高医学临床诊断和后续相关治疗的水平。对几幅不同的图像作定量分析,首先要解决这几幅图像的严格对齐问题,这就是图像的配准。医学图像配准是指对于一幅医学图像寻求一种(或一系列)空间变换,使它与另一幅医学图像上的对应点达到空间上的一致。这种一致是指人体上的同一解剖点在两张匹配图像上有相同的空间位置。配准的结果应使两幅图像上所有的解剖点,或至少是所有具有诊断意义的点及手术感兴趣的点都达到匹配。图像配准也是图像引导干预的基础，如远程手术、图像引导放射治疗和精准医学，没有合适的图像配准方法就无法完成相关操作。

一般的形变图像配准技术的标准运行时间是几十分钟，而临床操作的实际使用是实时的，这样的方法不能很好的运用到实际中。而且大多数相似度度量都有大量的全局优化，特别是处理来自不同模式的图像，即由于过早收敛或停滞而没有达到预期效果。近年来基于深度学习的配准方法越来越受欢迎，基于深度学习的医学图像配准方法相较于传统的配准方法，具有很大的优势与潜力。根据所选用的深度学习框架，可将配准方法分为：(1)基于监督学习的配准方法和基于无监督学习的配准方法，但现有的关于医学图像配准的算法，存在以下几个技术问题：

1.现有配准方法多为某个单一任务设计了特殊的网络结构，使用了合适的超参数优化方法，并取得了优异的性能，但模型的泛化性不高，当将其应用于其他数据时，其功能和性能不尽如人意。同一算法迁移的时候会改变底层的组织结构，因此如何自适应地提升算法来泛化配准任务，提高其可重复可扩展性是一个挑战。

2.现有的网络在输入时包含的信息太少，网络经过编码得到的语义特征不够丰富，导致不能达到很好的配准效果。

3.对于固定图像与移动图像分别输入到编码器的情况，现有方法将提取的特征进行简单的连接，并未将特征很好的融合在一起，导致解码器没有得到真正融合后的特征进行解码，达不到很好的配准。

4.现有方法不能很好的定位在解剖结构的复杂区域中的小形变，并且对于大的位移不能很好的捕获。因此需要提出新的网络来关注复杂区域以及捕获大的位移达到很好的配准结果。

发明内容

针对现有技术存在的不足，本发明提出了一种基于局部-全局信息协作的大脑医学图像配准方法及系统，该方法包括：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；