CN112802072A - 基于对抗学习的医学图像配准方法及系统 - Google Patents

基于对抗学习的医学图像配准方法及系统 Download PDF

Info

Publication number
CN112802072A
CN112802072A CN202110201012.0A CN202110201012A CN112802072A CN 112802072 A CN112802072 A CN 112802072A CN 202110201012 A CN202110201012 A CN 202110201012A CN 112802072 A CN112802072 A CN 112802072A
Authority
CN
China
Prior art keywords
image
network
discriminator
medical image
deformed
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110201012.0A
Other languages
English (en)
Other versions
CN112802072B (zh
Inventor
李国强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Linyi University
Original Assignee
Linyi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Linyi University filed Critical Linyi University
Priority to CN202110201012.0A priority Critical patent/CN112802072B/zh
Publication of CN112802072A publication Critical patent/CN112802072A/zh
Application granted granted Critical
Publication of CN112802072B publication Critical patent/CN112802072B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于对抗学习的医学图像配准方法及系统，包括：获取医学图像对，包括浮动图像和固定图像；构建对抗学习网络模型，包括生成网络和判别器；对医学图像对通过生成网络得到形变场和经形变场形变后的浮动图像；对形变后的浮动图像和固定图像通过判别器进行真假判断和相似性判断；将真假判断结果和相似性判断结果反馈至生成网络后，对形变场进行优化；根据优化后的形变场对待配准医学图像进行配准。采用生成网络生成形变场和形变后的图像，采用一个判别器网络判断输入图像真假，采用另一个判别器网络判断形变后的图像与固定图像的相似值，使变形后的图像更接近固定图像，在没有医学图像金标准的情况下，实现无监督的图像配准任务。

Description

基于对抗学习的医学图像配准方法及系统
技术领域
本发明涉及医学图像配准技术领域，特别是涉及一种基于对抗学习的医学图像配准方法与系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
医学图像配准主要针对同一对象(器官)或不同条件下(不同设备、不同时间等)采集到的不同对象(器官)的两幅图像进行匹配，使得同一解剖点在两幅图像上在空间位置上对齐。鲁棒、精准的医学图像配准是实现精准医疗的关键技术，在配准过程中，两副图像分别称为浮动图像和固定图像(又称为模板图像)，配准系统训练完成的结果是学习一个形变场，然后把形变场作用在新浮动图像上，从而为医生制定医疗方案提供重要的参考。
当前适合医学图像分割、配准使用的开源软件比如：FreeSurfer、FSL、Elastix、NiftyReg、ANTS等工具都是基于传统方法实现的配准任务，这些方法要求具有专业知识的医学从业人员才能获得较准确的监督信息，比如特征的标注。但是，医学图像的标注既费时，又会因为不同标注人员的水平不同而产生较大的质量差异，即使有少量的金标准数据，也难以较好地训练配准模型。
发明内容
为了解决上述问题，本发明提出了一种基于对抗学习的医学图像配准方法及系统，采用包含一个生成网络和两个判别器的对抗学习网络模型，通过生成网络生成形变场和形变后的图像，通过一个判别器网络判断输入图像真假，通过另一个判别器网络判断形变后的图像与固定图像的相似值，使形变后的图像更接近固定图像，在没有医学图像金标准的情况下，实现无监督的图像配准任务。
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供一种基于对抗学习的医学图像配准方法，包括：
获取医学图像对，所述医学图像对包括浮动图像和固定图像；
构建对抗学习网络模型，所述对抗学习网络模型包括生成网络和判别器；
对医学图像对通过生成网络得到形变场和经形变场形变后的浮动图像；
对形变后的浮动图像和固定图像通过判别器进行真假判断和相似性判断；
将真假判断结果和相似性判断结果反馈至生成网络后，对形变场进行优化；
根据优化后的形变场对待配准医学图像进行配准。
第二方面，本发明提供一种基于对抗学习的医学图像配准系统，包括：
数据获取模块，被配置为获取医学图像对，所述医学图像对包括浮动图像和固定图像；
模型构建模块，被配置为构建对抗学习网络模型，所述对抗学习网络模型包括生成网络和判别器；
生成模块，被配置为对医学图像对通过生成网络得到形变场和经形变场形变后的浮动图像；
判别模块，被配置为对形变后的浮动图像和固定图像通过判别器进行真假判断和相似性判断；
优化模块，被配置为将真假判断结果和相似性判断结果反馈至生成网络后，对形变场进行优化；
配准模块，被配置为根据优化后的形变场对待配准医学图像进行配准。
第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
与现有技术相比，本发明的有益效果为：
不同于直接使用图像间的相似性度量约束配准模型的方法，本发明采用生成网络和两个判别器网络进行对抗学习，采用U形结构的U-NET网络生成形变场和形变后的图像，采用一个判别器网络判断真假，此网络可以同时考虑多分辨下的真假，采用另一个判别器网络判断形变后的图像与固定图像的相似值，实现端到端的对抗学习；两个判别网络与一个生成网络的对抗学习过程，可以有效的提高生成网络的学习效率，交替式的对抗学习可以有效的避免生成器梯度消失的问题。
在生成网络不断下采样的过程中，会生成不同的分辨率特征层，不同于现有的只在最后生成的配准形变场上进行相似性约束的方法，本发明在不同大小的特征层上都会生成相应的形变场，并在这些形变场上增加相应的平滑约束，使得最后生成的形变场更加平滑。
本发明在没有医学图像金标准的情况下，实现无监督的图像配准任务，提供一种基于对抗学习的无监督三维医学图像的配准方法，无须针对输入图像类型修改损失函数的相似性度量指标，可以针对不同的分辨率尺寸进行有效约束，多种反馈信息使得生成器可以更好地生成形变场，配准效果更好。
本发明考虑多个判别器网络的反馈信息，两个判别器网络分别反馈真假信息和相似性信息，不但可以提高网络模型的训练速度，还可以使得生成器生成更平滑的形变场，使得形变后的图像更接近固定图像。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1提供的基于对抗学习的医学图像配准方法流程图；
图2为本发明实施例1提供的生成网络结构图；
图3为本发明实施例1提供的真假判别网络结构图；
图4为本发明实施例1提供的相似性判别网络结构图。
具体实施方式：
下面结合附图与实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1
如图1所示，本实施例提供一种基于对抗学习的医学图像配准方法，包括：
S1：获取医学图像对，构建对抗学习网络模型，所述医学图像对包括浮动图像和固定图像，所述对抗学习网络模型包括生成网络和判别器；
S2：对医学图像对通过生成网络得到形变场和经形变场形变后的浮动图像；
S3：对形变后的浮动图像和固定图像通过判别器进行真假判断和相似性判断；
S4：将真假判断结果和相似性判断结果反馈至生成网络后，对形变场进行优化；
S5：根据优化后的形变场对待配准医学图像进行配准。
所述步骤S1中，本实施例对获取的医学图像对进行预处理，采用刚性配准方法，将获取的医学图像重采样为181*217*181，体素空间大小为1mm*1mm*1mm，并对图像进行分片(大小为64*64*64)，以提高训练速度。
优选地，本实施例采用三维医学图像。
优选地，图像分片大小为64*64*64。
不同于现有的对抗学习过程中只采用一个判别器网络的方法，一个判别器网络提供给生成网络的信息太少，导致生成网络的学习训练过程很长。所以，本实施例以对抗学习网络为基础，采用3个神经网络进行对抗学习，即包括一个生成器网络和两个判别器网络，生成器网络用于完成配准操作，生成形变场和形变后的浮动图像；两个判别器网络包括真假判别器网络和相似性判别器网络，分别用于对输入图像进行真假判断和相似性判断，并为生成器网络反馈参考信息；两个判别网络与一个生成网络的对抗学习过程，可以有效的提高生成网络的学习效率，交替式的对抗学习可以有效的避免生成器梯度消失的问题。
如图2所示，所述生成器网络生成形变场的过程包括：
S2-1：采用4次下采样卷积操作，依次将医学图像的体素空间大小在每个方向上都减少一半；
具体地，所述下采样卷积操作为：经过一个卷积核为3*3*3，步长为2的卷积操作，然后利用LeakyReLU函数进行激活操作。
S2-2：采用4次上采样卷积操作，将医学图像的体素空间大小在每个方向上都扩大一倍；
具体地，所述上采样卷积操作为下采样卷积操作的逆过程，上采样卷积操作中的卷积核与步长与下采样卷积操作一致。
S2-3：在上采样卷积操作过程中，将与下采样卷积操作过程中相同大小的特征层进行连接操作。
优选地，本实施例的生成器网络基于U-net模型构建，解决测试数据太少、整幅图像太大、对硬件要求较高的问题。
可以理解的，生成器网络可以设计为其他类型的网络模型，如FCN等。
在本实施例中，生成器网络接收浮动图像(F)和固定图像(M)，输出形变场和经过形变场变形后的浮动图像，此图像作为输入分别输入到两个判别器网络中。
所述步骤S3中，所述判别器网络包括真假判别器网络和相似性判别器网络，根据真假判别器网络对形变后的浮动图像和固定图像进行真假判断，根据相似性判别器网络对形变后的浮动图像和固定图像进行相似度判断。
如图3所示，真假判别器网络用于判别输入图像是否为真，本实施例将真实数据集构建训练集，将训练集中的浮动图像与固定图像进行加权融合，优选的比例为0.1和0.9，以此对真假判别器网络进行训练；如果输入的是形变后的图像，则将其判断为假，如果输入的数据来自真实数据，则判断为真。
在本实施例中，真假判别器网络结构与生成器网络结构一致，并且在上采样过程中，在不同分辨率下进行一次Dense操作，输出不同尺度下的相似值，形成最后的损失函数。
具体地，根据生成网络和真假判别器网络的作用，在不同体素大小下设计相应的约束，真假判别器网络的损失函数为：
Figure BDA0002948899150000071
本实施例考虑多尺度判别结果，所以多尺度判别器损失函数为：
Ltotal(p)＝αLhigh(p)+βLlow(p)+γLmid(p)
其中，high、low、mid分别代表三种不同大小的尺度，α、β、γ为超参数，分别代表三者的权重。
在本实施例中，生成器网络的损失函数为：
LR(p)＝log(1-p),p∈P-
本实施例在生成器网络不同大小的特征层上生成相应的形变场，并在形变场上增加相应的平滑约束，考虑三种不同尺度的平滑约束设计为：
Figure BDA0002948899150000081
故，针对生成器-真假判别器网络的对抗学习最终的损失函数为：
Figure BDA0002948899150000082
其中，w为超参数，实验中其值为1。
如图4所示，相似性判别器网络采用孪生网络，共享网络参数，包括3组卷积-池化操作，后面连接一个全连接操作，最后由sigmoid激活函数输出相似值，此值在[0,1]之间；相似性判别器网络的输入是两副图像对，当为正例-固家图像对时，输出为1，当为形变后的图像-固定图像对时，输出为0。
在本实施例中，根据生成网络和相似性判别器网络的作用，相似性判别器网络的损失函数为：
Figure BDA0002948899150000083
其中，X1、X2为输入的图像对；Y为两副图像的标签，0为不同，1为相同；Dw为两副图像的欧氏距离。
则，生成器网络-相似性判别器网络训练时，生成器网络的损失函数为：
Ls＝log(L(W,(0,X1,X2))
其中，X1为形变后的浮动图像，X2为固定图像。
因此，包含一个生成器网络和两个判别器网络的对抗网络的损失函数为：
L＝γLR+(1-γ)LS
其中，γ为超参数，取值为0或者1。
可以理解的，上述的真假判别器网络可以设计更多的卷积层数，相似性判别器网络可以利用其他的深度学习网络。
在本实施例中，采用对抗网络损失函数中的超参数来控制真假判别器网络和相似性判别器网络的训练次数，在对抗学习中，生成器一般处于弱势，所以本实施例训练3次真假判别器网络后训练一次生成器，训练3次相似性判别器网络后训练一次生成器，利用dice作为判断指标验证对抗网络的实现效果。
实施例2
本实施例提供一种基于对抗学习的医学图像配准系统，包括：
数据获取模块，被配置为获取医学图像对，所述医学图像对包括浮动图像和固定图像；
模型构建模块，被配置为构建对抗学习网络模型，所述对抗学习网络模型包括生成网络和判别器；
生成模块，被配置为对医学图像对通过生成网络得到形变场和经形变场形变后的浮动图像；
判别模块，被配置为对形变后的浮动图像和固定图像通过判别器进行真假判断和相似性判断；
优化模块，被配置为将真假判断结果和相似性判断结果反馈至生成网络后，对形变场进行优化；
配准模块，被配置为根据优化后的形变场对待配准医学图像进行配准。
此处需要说明的是，上述模块对应于实施例1中所述的步骤，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中，还提供：
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU、微型处理器GPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于对抗学习的医学图像配准方法，其特征在于，包括：
获取医学图像对，所述医学图像对包括浮动图像和固定图像；
构建对抗学习网络模型，所述对抗学习网络模型包括生成网络和判别器；
对医学图像对通过生成网络得到形变场和经形变场形变后的浮动图像；
对形变后的浮动图像和固定图像通过判别器进行真假判断和相似性判断；
将真假判断结果和相似性判断结果反馈至生成网络后，对形变场进行优化；
根据优化后的形变场对待配准医学图像进行配准。
2.如权利要求1所述的一种基于对抗学习的医学图像配准方法，其特征在于，所述通过生成网络得到形变场包括：
采用4次下采样卷积操作，依次将医学图像对的体素空间大小在每个方向上减少一半；
采用4次上采样卷积操作，将医学图像对的体素空间大小在每个方向上扩大一倍，且与下采样卷积操作过程中相同大小的特征层进行连接操作。
3.如权利要求2所述的一种基于对抗学习的医学图像配准方法，其特征在于，所述下采样卷积操作为：经过一个卷积核为3*3*3，步长为2的卷积操作，利用LeakyReLU函数进行激活操作。
4.如权利要求1所述的一种基于对抗学习的医学图像配准方法，其特征在于，所述判别器包括真假判别器和相似性判别器，根据真假判别器对形变后的浮动图像和固定图像进行真假判断，根据相似性判别器对形变后的浮动图像和固定图像进行相似度判断。
5.如权利要求4所述的一种基于对抗学习的医学图像配准方法，其特征在于，所述真假判别器的结构与生成网络结构一致，在上采样过程中，在不同分辨率下进行一次Dense操作，输出不同尺度下的相似值，构建多尺度损失函数。
6.如权利要求4所述的一种基于对抗学习的医学图像配准方法，其特征在于，所述相似性判别器采用孪生网络，包括3组卷积-池化层、一个全连接操作，最后由sigmoid激活函数输出相似值。
7.如权利要求1所述的一种基于对抗学习的医学图像配准方法，其特征在于，包含一个生成网络和两个判别器的对抗网络的损失函数为：
L＝γLR+(1-γ)LS
其中，γ为超参数，取值为0或者1；LR、Ls为生成网络损失函数。
8.一种基于对抗学习的医学图像配准系统，其特征在于，包括：
数据获取模块，被配置为获取医学图像对，所述医学图像对包括浮动图像和固定图像；
模型构建模块，被配置为构建对抗学习网络模型，所述对抗学习网络模型包括生成网络和判别器；
生成模块，被配置为对医学图像对通过生成网络得到形变场和经形变场形变后的浮动图像；
判别模块，被配置为对形变后的浮动图像和固定图像通过判别器进行真假判断和相似性判断；
优化模块，被配置为将真假判断结果和相似性判断结果反馈至生成网络后，对形变场进行优化；
配准模块，被配置为根据优化后的形变场对待配准医学图像进行配准。
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的方法。
CN202110201012.0A 2021-02-23 2021-02-23 基于对抗学习的医学图像配准方法及系统 Active CN112802072B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110201012.0A CN112802072B (zh) 2021-02-23 2021-02-23 基于对抗学习的医学图像配准方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110201012.0A CN112802072B (zh) 2021-02-23 2021-02-23 基于对抗学习的医学图像配准方法及系统

Publications (2)

Publication Number Publication Date
CN112802072A true CN112802072A (zh) 2021-05-14
CN112802072B CN112802072B (zh) 2022-10-11

Family

ID=75815341

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110201012.0A Active CN112802072B (zh) 2021-02-23 2021-02-23 基于对抗学习的医学图像配准方法及系统

Country Status (1)

Country Link
CN (1) CN112802072B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113450394A (zh) * 2021-05-19 2021-09-28 浙江工业大学 一种基于Siamese网络的异尺寸图像配准方法
CN113763441A (zh) * 2021-08-25 2021-12-07 中国科学院苏州生物医学工程技术研究所 无监督学习的医学图像配准方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190333219A1 (en) * 2018-04-26 2019-10-31 Elekta, Inc. Cone-beam ct image enhancement using generative adversarial networks
US20200111194A1 (en) * 2018-10-08 2020-04-09 Rensselaer Polytechnic Institute Ct super-resolution gan constrained by the identical, residual and cycle learning ensemble (gan-circle)
CN111462264A (zh) * 2020-03-17 2020-07-28 中国科学院深圳先进技术研究院 医学图像重建方法、医学图像重建网络训练方法和装置
CN111862174A (zh) * 2020-07-08 2020-10-30 清华大学深圳国际研究生院 一种跨模态医学图像配准方法及装置
CN112232362A (zh) * 2020-11-04 2021-01-15 清华大学深圳国际研究生院 一种跨模态医学图像配准方法及计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190333219A1 (en) * 2018-04-26 2019-10-31 Elekta, Inc. Cone-beam ct image enhancement using generative adversarial networks
US20200111194A1 (en) * 2018-10-08 2020-04-09 Rensselaer Polytechnic Institute Ct super-resolution gan constrained by the identical, residual and cycle learning ensemble (gan-circle)
CN111462264A (zh) * 2020-03-17 2020-07-28 中国科学院深圳先进技术研究院 医学图像重建方法、医学图像重建网络训练方法和装置
CN111862174A (zh) * 2020-07-08 2020-10-30 清华大学深圳国际研究生院 一种跨模态医学图像配准方法及装置
CN112232362A (zh) * 2020-11-04 2021-01-15 清华大学深圳国际研究生院 一种跨模态医学图像配准方法及计算机可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JINHAO QIAO: "A GAN BASED MULTI-CONTRAST MODALITIES MEDICAL IMAGE REGISTRATION APPROACH", 《IEEE》 *
张桂梅，胡强，龚磊: "融合密集残差块和GAN变体的医学图像非刚性配准", 《中国图像图形学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113450394A (zh) * 2021-05-19 2021-09-28 浙江工业大学 一种基于Siamese网络的异尺寸图像配准方法
CN113763441A (zh) * 2021-08-25 2021-12-07 中国科学院苏州生物医学工程技术研究所 无监督学习的医学图像配准方法及系统
CN113763441B (zh) * 2021-08-25 2024-01-26 中国科学院苏州生物医学工程技术研究所 无监督学习的医学图像配准方法及系统

Also Published As

Publication number Publication date
CN112802072B (zh) 2022-10-11

Similar Documents

Publication Publication Date Title
US20220335284A1 (en) Apparatus and method with neural network
Li et al. Zoom out-and-in network with map attention decision for region proposal and object detection
Liu et al. Implementation of training convolutional neural networks
CN111950453B (zh) 一种基于选择性注意力机制的任意形状文本识别方法
CN109214273A (zh) 人脸图像比对方法、装置、计算机设备及存储介质
CN112465111A (zh) 一种基于知识蒸馏和对抗训练的三维体素图像分割方法
CN112802072B (zh) 基于对抗学习的医学图像配准方法及系统
CN110136122B (zh) 一种基于注意力深度特征重建的脑mr图像分割方法
CN110826638A (zh) 基于重复注意力网络的零样本图像分类模型及其方法
CN111242233B (zh) 一种基于融合网络的阿尔兹海默病分类方法
Xiang et al. Towards interpretable skin lesion classification with deep learning models
CN111882026A (zh) 通过潜在空间正则化对无监督式生成对抗网络进行优化
CN111027576A (zh) 基于协同显著性生成式对抗网络的协同显著性检测方法
CN110930378A (zh) 基于低数据需求的肺气肿影像处理方法及系统
CN111680755A (zh) 医学图像识别模型构建及医学图像识别方法、装置、介质及终端
CN117079098A (zh) 一种基于位置编码的空间小目标检测方法
CN104036242A (zh) 基于Centering Trick卷积限制玻尔兹曼机的物体识别方法
KR102329546B1 (ko) 뉴럴 네트워크 및 비국소적 블록을 이용하여 세그멘테이션을 수행하는 질병 진단 시스템 및 방법
Valvano et al. Stop throwing away discriminators! Re-using adversaries for test-time training
CN112329867B (zh) 一种基于任务驱动的层次注意力网络的mri图像分类方法
CN113887585A (zh) 基于编解码网络的图像-文本多模态融合方法
Gong et al. KDCTime: Knowledge distillation with calibration on InceptionTime for time-series classification
Wan et al. Depth-wise convolution with attention neural network (DWA) for pneumonia detection
US20230154164A1 (en) Self-supervised learning for artificial intelligence-based systems for medical imaging analysis
Ha et al. Comparing deep learning strategies and attention mechanisms of discrete registration for multimodal image-guided interventions

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant