CN112907439A - 一种基于深度学习的仰卧位和俯卧位乳腺图像配准方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的仰卧位和俯卧位乳腺图像配准方法。该方法包括：构建深度学习配准网络，该配准网络包含仿射配准网络、第一空间变换网络、弹性配准网络和第二空间变换网络，其中在弹性配准网络的上采样结构中，每一个上采样层都输出一个变形场；训练所述配准网络，计算变形场以及固定图像和变换后的移动图像之间的损失函数值，直到设定的总损失函数满足优化收敛条件，其中固定图像是仰卧位或俯卧位乳腺图像，移动图像是与固定图像不同体位的俯卧位或仰卧位乳腺图像。本发明具有配准速度快，模型简单，泛化性能强并产生了较少的不符合实际的变形。

Description

一种基于深度学习的仰卧位和俯卧位乳腺图像配准方法

技术领域

本发明涉及医学图像处理技术领域，更具体地，涉及一种基于深度学习的仰卧位和俯卧位乳腺图像配准方法。

背景技术

图像配准的目的是求取两幅图像之间的一种或者一系列变换，使得两幅图像中对应点达到空间位置上的一致。这两幅图像分别称作固定图像和移动图像。仰卧位和俯卧位乳腺图像是指在拍摄医学图像时病人处于仰卧位和俯卧位的体位。由于乳腺组织是一个软组织以及病人体位的变化，使得不同体位下乳腺的形状发生很大的变化，从而使得仰卧位和俯卧位的乳腺图像配准难度加大。仰卧位和俯卧位的乳腺图像配准在乳腺癌的诊断，手术以及术后的放射治疗中都具有潜在的应用。

现有基于深度学习的仰卧位和俯卧位的乳腺图像配准方法采用多网络级联的方式将大形变配准问题分解成若干个小形变配准问题，也就是利用若干个配准网络，每个网络学习一部分形变，然后将多个网络的学习结果进行组合得到最终的配准结果。这种方案是端到端的配准方法，包含仿射配准网络和三个弹性配准网络。仿射网络的损失函数是固定图像和经过仿射变换后的移动图像之间的归一化互相关损失函数，弹性配准网络损失函数是变形场的正则化损失函数。最后再计算最终得到的变换后的移动图像和固定图像之间的归一化损失函数。因此，在现有乳腺配置方法中，网络个数较多，计算量和参数量较多，而由于训练数据集有限，容易出现过拟合的情况，而且生成的变形场存在较多的不符合实际的变形。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种基于深度学习的仰卧位和俯卧位乳腺图像配准方法，配准速度快，并能够减少变形场中不符合实际的变形情况的出现。

根据本发明的第一方面，提供一种基于深度学习的仰卧位和俯卧位乳腺图像配准方法。该方法包括以下步骤：

构建深度学习配准网络，该配准网络包含仿射配准网络、第一空间变换网络、弹性配准网络和第二空间变换网络；

训练所述配准网络，计算变形场以及固定图像和变换后的移动图像之间的损失函数值，直到设定的总损失函数满足优化收敛条件，其中固定图像是仰卧位或俯卧位乳腺图像，移动图像是与固定图像不同体位的俯卧位或仰卧位乳腺图像；

其中仿射配准网络以固定图像I_F和移动图像I_M为输入进行仿射配准，输出变形场φ₁；第一空间变换网络以变形场φ₁和移动图像I_M作为输入，输出经变形场变换后的移动图像I′_M；弹性配准网络以固定图像I_F和移动图像I′_M为输入，用于进行局部配准，并且在上采样结构中，每一个上采样层都输出一个变形场，最后的上采样层输出的变形场标记为φ₂₅；第二空间变换网络以组合变形场

和移动图像I_M为输入，得到变换后的移动图像I″_M。

根据本发明的第二方面，提供一种乳腺图像配准方法。该方法包括：将待配准的乳腺图像输入上述根据本发明获得的经训练深度学习配准网络，获得配准图像。

与现有技术相比，本发明的优点在于，针对现有的仰卧位和俯卧位乳腺图像配准方法具有建模复杂，配准速度慢，配准精度不高和个体差异性等问题，本发明提出一种基于深度学习的仰卧位和俯卧位的乳腺图像配准方法，具有配准速度快，模型简单，泛化性能好并产生了较少的不符合实际的变形。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。

图1是根据本发明一个实施例的基于深度学习的仰卧位和俯卧位乳腺图像配准方法的流程图；

图2是根据本发明一个实施例的基于深度学习的仰卧位和俯卧位的乳腺图像配准过程示意图；

图3是根据本发明一个实施例的仰卧位和俯卧位乳腺图像配准网络的总体架构示意图；

图4是根据本发明一个实施例的仰卧位和俯卧位乳腺图像仿射配准网络的示意图；

图5是根据本发明一个实施例的仰卧位和俯卧位乳腺图像弹性配准网络的示意图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

本发明提出一种基于深度学习的仰卧位和俯卧位乳腺图像的配准方法，首先将经过预处理后的固定图像和移动图像输入到配准网络中，通过配准网络生成变形场。然后将变形场作用于移动图像，得到变换后的移动图像。将生成的变形场以及固定图像和变换后的移动图像输入到多个损失函数中，然后将损失函数值输入到深度学习优化器中，优化网络参数，直到满足设定的条件。

具体地，结合图1和图2所示，所提供的基于深度学习的仰卧位和俯卧位乳腺图像的配准方法包括以下步骤。

步骤S1，对仰卧位和俯卧位乳腺图像数据集进行预处理，获得数据集。

在一个实施例中，步骤S1包括：

步骤S11，从采集的图像中分割出乳腺组织。

由于获取的图像中包含较多的组织和器官，而本发明的目标是乳腺组织的配准，因此首先将乳腺组织分割出来。

步骤S12，调整图像的体素间隔，减少因为不同体位下体素间隔不同带来的配准难度的提高。

步骤S13，旋转仰卧位的乳腺分割图像，降低配准难度。

步骤S14，对分割出来的图像进行剪切，减少背景所占比例。

步骤S15，对图像进行归一化处理，将体素值归一化到[0,1]。

步骤S16，对数据进行增强操作，以丰富训练样本。

由于采集到的数据集较少，优选地，还包括数据增强操作。即对经过了步骤S11-S15处理的数据进行随机的弹性变形。变换后将同一个体的任意一幅仰卧位图像和任意一幅俯卧位图像在通道维度上组合，组合顺序可以是仰卧位图像作为第一通道上的图像也可以是俯卧位图像作为第一通道上的图像，总之第一通道上的图像为固定图像I_F，第二通道上的图像为移动图像I_M，得到了最终的数据集。例如，2500幅组合图像为训练集，100幅组合图像为验证集，400幅组合图像为测试集。测试集数据是由两个病人的数据组成，从未出现在训练集和验证集中。

步骤S2，将预处理的数据集输入到深度学习配准网络，输出两幅图像之间的变形场，该变形场表示移动图像上体素的移动距离，将得到的变形场作用于移动图像，得到变换后的移动图像。

在一个实施例中，参见图3所示，步骤S2包括：

步骤S21，构建包含空间变换网络、仿射配置网络(或称仿射网络)和弹性配准网络的深度学习配准网络，以采用多分辨率的配准策略。

由于仰卧位和俯卧位的乳腺图像的形变较大，使用简单的配准网络进行配准得到的配准效果并不是很好。因此，优选地，采用了多分辨率的配准策略。为了尽可能减少预处理步骤以及实现真正的端到端配准，因此配准网络中还包含了仿射配准网络。网络的总体架构如图3所示，其包含两个空间变换网络(在下文中分别称为第一空间变换网络和第二空间变换网络)、仿射配准网络以及一个弹性配准网络。

步骤S22，将预处理好的固定图像I_F和移动图像I_M输入到仿射配准网络中，进行仿射配准，输出变形场φ₁。该变形场φ₁表示移动图像I_M上体素的移动距离。

步骤S23，第一空间变换网络将变形场φ₁和移动图像I_M作为输入，输出移动图像经过变形场变换后的移动图像I′_M。

步骤S24，将固定图像I_F和经过仿射配准网络变换后的移动图像I′_M输入到弹性配准网络，进行局部配准。弹性配准网络包含上采样结构，在上采样结构中，每一个上采样层都输出一个变形场。最后的上采样层输出的变形场标记为φ₂₅。变形场φ₂₅表示变换后的移动图像I′_M上体素的移动距离。

步骤S25，将得到的变形场φ₁和φ₂₅进行组合，得到组合变形场

步骤S26，将组合变形场

和移动图像I_M输入到第二空间变换网络中，得到变换后的移动图像I″_M。

在一个实施例中，仿射配准网络主要包括输入模块，下采样模块，仿射变换参数输出模块和全图形变场模块，如图4所示，其中不同颜色的长方形表示不同类型的操作，长方形中的数字表示通道数。

具体地，输入模块是指先读取移动图像和固定图像，再将移动图像和固定图像在通道上进行组合然后输入到网络的输入层中。

下采样模块包含一系列的卷积操作将图像尺寸减小。例如，下采样操作的运算顺序是一个卷积核为3*3*3，步长为1的卷积运算，一个激活运算，一个卷积核为3*3*3，步长为2的卷积运算，一个激活运算以及4个残差运算，4个卷积核为3*3*3，步长为2的卷积运算，4个激活运算交替出现。残差运算是两个激活运算和两个卷积核为3*3*3，步长为1的卷积运算交替出现，最后将残差网络的输入和第二个卷积运算的输出相加作为残差运算的输出。

仿射变换参数输出模块是指进一步处理下采样模块的输出，包含一个卷积核为3*3*3，步长为1的卷积运算，一个激活运算以及输出为9个数和3个数的卷积运算。前9个数表示的是仿射变换参数中的剪切，缩放，旋转参数。后3个数为平移参数。通过前面求出的12个仿射变换参数求出全图变形场，即为全图变形场模块。变形场的大小和固定图像的大小相同。因为是三维空间上的点，所以每个点的位置变化对应的是三个方向上的位置变化，因此变形场的通道维度为3。

在一个实施例中，弹性配准网络的结构如图5所示，其中不同颜色的长方形表示不同类型的操作，每个上采样操作都会输出变形场。弹性配准网络的基本结构包含输入模块，下采样模块和上采样模块。

具体地，输入模块是指先读取移动图像和固定图像，再将移动图像和固定图像在通道上进行组合然后输入到网络的输入层中。

下采样模块包括：一个卷积核为3*3*3，步长为1的卷积运算，一个激活运算，一个卷积核为3*3*3，步长为2的卷积运算，一个激活运算以及4个残差运算，4个卷积核为3*3*3，步长为2的卷积运算和4个激活运算交替出现。接着是一个卷积核为3*3*3，步长为1的卷积运算和一个激活运算。

上采样模块包括4个稍微复杂上采样操作以及一个简单的上采样过程。复杂的上采样过程包括转置卷积操作，将转置卷积操作的输出和同一层下采样的输出在通道维度组合起来，再经过一个卷积核为1*1*1，步长为1的卷积运算，一个激活运算，一个卷积核为3*3*3，步长为1的卷积运算，一个激活运算。简单的上采样过程包括转置卷积操作，将转置卷积操作的输出和同一层下采样的输出在通道维度组合起来，再经过一个卷积核为3*3*3，步长为1的卷积运算，一个激活运算。在上采样过程中，每一个上采样经过复杂的上采样操作后，经过转置卷积输出和固定图像相同大小的变形场。例如，总共有5层上采样操作，因此输出了5个变形场。只有最后一个上采样输出的位移场才是弹性配准网络最终需要求出的变形场。其他上采样过程中输出的变形场是较低图像分辨率下对应的变形场，目的是让网络学习不同空间分辨率下的变换。为了计算方便，于是使这些较低分辨率的位移场经过转置卷积操作到固定图像大小。从下往上数，第一个经过复杂上采样操作后的输出，经过卷积核为4*4*4，步长为16的转置卷积操作输出和固定图像相同大小的变形场。第二个经过复杂上采样操作后的输出，经过卷积核为4*4*4，步长为8的转置卷积操作输出和固定图像相同大小的变形场。第三个经过复杂上采样操作后的输出，经过卷积核为4*4*4，步长为4的转置卷积操作输出和固定图像相同大小的变形场。第四个经过复杂上采样操作后的输出，经过卷积核为4*4*4，步长为2的转置卷积操作输出和固定图像相同大小的变形场。最后一个上采样层是经过简单的上采样操作输出的和固定图像相同大小的变形场。采用此操作有利于大形变的乳腺图像配准任务，也使得网络得到充分的训练，加快收敛速度。

步骤S3，将得到的变形场和变换后的移动图像以及固定图像输入到多个损失函数中，得到损失函数的值。

在一个实施例中，步骤S3包括：

步骤S31，设置配准网络的损失函数。

例如，配准网络的总损失函数如公式(1)，其中L_sim表示归一化互相关损失函数，L_smooth表示变形场的正则化损失函数，φ₂₁,φ₂₂,φ₂₃,φ₂₄,φ₂₅分别是五个上采样层中，每一个上采样层输出的变形场。λ₁,λ₂,λ₃,λ₄,λ₅是权重系数，I_F，I_M表示的是固定图像和移动图像的灰度值，I′_M是经过仿射配准网络变换后的移动图像灰度值，φ₁是反射网络输出的变形场。

在一个实施例中，归一化互相关损失函数具体形式如公式(2)，其中

和

表示相应图像的平均灰度值，p表示图像中的点，Ω表示图像的维度。

在一个实施例中，变形场的正则化损失函数L_smooth的具体形式如公式(3)，其中θ表示变形场参数，

表示变形场在x轴方向的导数，

表示变形场在y轴方向的导数，

表示变形场在z轴方向的导数。

步骤S32，仿射配准网络的损失函数是固定图像I_F和变换后的图像I′_M之间的归一化互相关损失函数。

步骤S33，弹性配准网络的损失函数包括了每一个上采样层生成的变形场的正则化损失函数和变形后的移动图像和固定图像之间的归一化损失函数，权重各不相同。

需要说明的是，公式(1)是以设置5个上采样层为例的损失函数形式，可以进一步扩展为包含更多上采样层的通用形式。并且可根据每个上采样层对应的图像分辨率大小设置权重参数，例如，对于较低分辨率图像，设置较低的权重值。

在此步骤中，通过多分辨策略，约束配准网络学习，使得网络能够得到充分的训练，收敛速度更快，并且生成的变形场更符合实际。

步骤S4，将损失函数的值输入到深度学习优化器中，利用优化器更新网络中的参数。

步骤S5，循环执行步骤S2-S4，对网络进行优化，直到满足设定的条件，得到训练好的配准网络。

步骤S6，将测试集输入到训练好的配准网络中，测试网络的配准性能。

在一个实施例中，步骤S6包括：

步骤S61，可视化移动图像，固定图像，以及经过变形场变换后的移动图像，从图像方面评估配准网络的配准性能。

步骤S62，计算固定图像和经过变形场变换后的移动图像之间的归一化互相关值和归一化互信息值，从图像相似度方面评估配准网络的配准性能。

步骤S63，先得到固定图像和变换后的移动图像的前景和背景的二值化图像，再计算这两幅二值化图像之间的dice值。

步骤S64，计算变形场的雅克比行列式值，评价配准网络生成的变形场是否符合实际。

综上所述，相比于目前基于深度学习的多网络级联的仰卧位和俯卧位乳腺图像配准方法而言，本发明使用更简单的网络结构实现了仰卧位和俯卧位的乳腺图像的配准，参数量较少，降低了出现过拟合的几率并且配准速度更快。此外，考虑到仰卧位和俯卧位的乳腺图像之间存在较大的形变，本发明采用了一种多分辨率的策略，让网络学习不同空间分辨率下的空间变形。多分辨率策略引入了多种损失函数，减少了生成的变形场中包含不符合实际的变形，使得最终得到的变形场更符合实际。

本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++、Python等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。

Claims (10)

1.一种基于深度学习的仰卧位和俯卧位乳腺图像配准方法，包括以下步骤：

构建深度学习配准网络，该配准网络包含仿射配准网络、第一空间变换网络、弹性配准网络和第二空间变换网络；

训练所述配准网络，计算变形场以及固定图像和变换后的移动图像之间的损失函数值，直到设定的总损失函数满足优化收敛条件，其中固定图像是仰卧位或俯卧位乳腺图像，移动图像是与固定图像不同体位的俯卧位或仰卧位乳腺图像；

其中：仿射配准网络以固定图像I_F和移动图像I_M为输入进行仿射配准，输出变形场φ₁；第一空间变换网络以变形场φ₁和移动图像I_M作为输入，输出经变形场变换后的移动图像I′_M；弹性配准网络以固定图像I_F和移动图像I′_M为输入，用于进行局部配准，并且在上采样结构中，每一个上采样层都输出一个变形场，最后的上采样层输出的变形场标记为φ₂₅；第二空间变换网络以组合变形场

和移动图像I_M为输入，得到变换后的移动图像I〞_M。

2.根据权利要求1所述的方法，其特征在于，所述弹性配准网络包含输入模块、下采样模块和上采样模块，输入模块用于读取移动图像和固定图像，并将移动图像和固定图像在通道上进行组合后输入到弹性配准网络的输入层；下采样模块包括卷积运算、激活运算和残差运算；上采样模块包括多个上采样层，每一上采样层输出和固定图像相同大小的变形场，且将最后一个上采样层输出的位移场作为所述弹性配准网络最终的变形场，而其余上采样层输出的变形场对应不同图像分辨率下的变形场。

3.根据权利要求2所述的方法，其特征在于，所述配准网络的总损失函数表示为：

其中，L_sim表示归一化互相关损失函数，L_smooth表示变形场的正则化损失函数，φ₂₁，φ₂₂，φ₂₃，φ₂₄，φ₂₅分别是五个上采样层中，每一个上采样层输出的变形场，λ₁，λ₂，λ₃，λ₄，λ₅是权重系数，I_F和I_M分别表示固定图像和移动图像的灰度值，I′_M是经过仿射配准网络变换后的移动图像灰度值，φ₁是仿射配准网络输出的变形场。

4.根据权利要求3所述的方法，其特征在于，所述归一化互相关损失函数表示为：

其中，

表示图像的平均灰度值，p表示图像中的点，Ω表示图像的维度。

5.根据权利要求3所述的方法，其特征在于，所述变形场的正则化损失函数表示为：

其中，θ表示变形场参数，

表示变形场在x轴方向的导数，

表示变形场在y轴方向的导数，

表示变形场在z轴方向的导数，p表示图像中的点，Ω表示图像的维度。

6.根据权利要求1所述的方法，其特征在于，所述仿射配准网络包括输入模块、下采样模块、仿射变换参数输出模块和全图变形场模块，所述输入模块用于将数据集读取到所述仿射配准网络的输入层；所述下采样模块用于降低输入层图像的尺寸，包括卷积操作、激活处理和残差运算；所述仿射变换参数输出模块用于处理下采样模块的输出，以输出仿射变换参数；所述全图变形场模块用于利用仿射变换参数求出全图变形场。

7.根据权利要求3所述的方法，其特征在于，根据每个上采样层对应的图像分辨率大小设置权重参数。

8.一种乳腺图像配准方法，包括：将待配准的乳腺图像输入根据权利要求1至7任一项所述方法获得的经训练的深度学习配准网络，获得配准图像。

9.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现根据权利要求1至8中任一项所述方法的步骤。

10.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至8中任一项所述的方法的步骤。

Images