CN113269816A - 一种分区域递进式脑图像弹性配准方法及系统 - Google Patents
一种分区域递进式脑图像弹性配准方法及系统 Download PDFInfo
- Publication number
- CN113269816A CN113269816A CN202110542262.0A CN202110542262A CN113269816A CN 113269816 A CN113269816 A CN 113269816A CN 202110542262 A CN202110542262 A CN 202110542262A CN 113269816 A CN113269816 A CN 113269816A
- Authority
- CN
- China
- Prior art keywords
- registration
- image
- brain
- deep learning
- model
- 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.)
- Pending
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000000750 progressive effect Effects 0.000 title claims abstract description 21
- 238000013135 deep learning Methods 0.000 claims abstract description 95
- 210000005013 brain tissue Anatomy 0.000 claims abstract description 80
- 238000012549 training Methods 0.000 claims description 52
- 230000008569 process Effects 0.000 claims description 19
- 238000003709 image segmentation Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000005481 NMR spectroscopy Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 11
- 210000001519 tissue Anatomy 0.000 description 11
- 238000005457 optimization Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 5
- 210000004885 white matter Anatomy 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 3
- 210000003710 cerebral cortex Anatomy 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001054 cortical effect Effects 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 210000002307 prostate Anatomy 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本公开公开的一种分区域递进式脑图像弹性配准方法及系统，包括：获取待识别的脑图像；将待识别的脑图像输入训练好的脑图像弹性配准模型中，获取脑图像配准结果；其中，脑图像弹性配准模型包括深度学习配准模型Ⅰ和深度学习配准模型Ⅱ，将待识别的脑图像输入训练好的深度学习配准模型Ⅰ中输出脑组织边界配准图像，将脑组织边界配准图像输入训练好的深度学习配准模型Ⅱ中输出脑组织内部配准图像，将脑组织边界配准图像和脑组织内部配准图像进行叠加获得脑图像配准结果。实现了对脑图像的准确配准。
Description
技术领域
本发明涉及医学图像处理技术领域，尤其涉及一种分区域递进式脑图像弹性配准方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
医学图像配准具有很重要的临床应用价值，对使用各种不同或相同的成像手段获得的医学图像进行配准不仅可以用于医疗诊断，还可以用于手术计划的制定、放射治疗计划的制定、病理变化的跟踪和治疗效果的评价等各方面。
立体脑图像的非线性配准是近年来医学图像处理领域的研究热点。所谓图像配准实际上是指寻求两幅图像间一对一映射关系，也就是说，要将两幅图像中对应于空间同一位置的点联系起来。这里的映射一般称为变换，在二维空间中表现为二维变换，在三维空间中表现为三维变换。实际配准过程中，根据不同的特点和要求既可以采用简单的刚体变换，也可以采用较复杂的弹性形变。
目前的配准算法可以分为传统配准方法和基于深度学习的配准两大类。传统配准方法通过优化迭代的方式实现配准，这类算法的优点在于简单直接，不需要复杂的优化算法，而缺点是需要人工设计复杂的图像特征或设置控制点控制配准精度；针对特定应用需要设计特定的配准模型和优化目标，过程中需要人工干预，受人的主观影响较大，很难实现自动化；迭代优化的方式会导致计算量大和耗时长等。基于深度学习的方法可以端到端地对两幅图像进行配准，而且可以自动提取图像特征，无需人工干预，能够实现快速配准，实用价值大大提高，因此是目前研究的主流方法。基于深度学习的配准方法既可以利用到图像的灰度信息也可以利用解剖结构信息，模式构造灵活，适应性强，配准速度快，但是其配准精确度和泛化能力受到模型结构、训练数据、训练策略、优化目标函数等多方面的影响。不同方法间的配准精度和泛化能力差异明显。无论是传统方法还是基于深度学习的配准方法，虽然能够达到较高的整体配准精度指标，但都存在局部区域、解剖结构复杂区域、边界区域的配准精度较低、形变场模糊问题，基于深度学习的配准模型还存在泛化能力差的问题。
对脑部图像进行配准时，往往因为配准区域的不同，形变场的变化剧烈程度就不同。比如在边界信息丰富的区域，例如大脑皮层(cortical)附近，由于大脑皮层的沟回和褶皱，其形变场变化理应剧烈；而在同一组织区域内部，例如在白质(White Matter)区域，图像灰度变化缓慢，形变场变化理应平滑，而目前的深度学习配准模型获得的形变场只受到优化目标的整体约束，形变场随区域变化的特点不明显，尤其是在组织边界变化丰富的区域，形变场过于平滑、模糊，明显不符合解剖结构特征信息，这就导致虽然图像整体配准指标较高，但在结构复杂和边界信息丰富的区域实际配准精度较低。
传统的配准方法为了解决在局部区域、解剖结构复杂区域、边界区域的配准精度较低、形变场模糊的问题，往往需要人工在大脑图像上建立特征关键点，通过关键点的对应关系和配准来保证脑组织表面的配准精度。一方面关键点的选择费时费力，人工选择特征存在主观不确定性；另一方面关键点的选取难以深入脑组织内部。此外，人工选择特征导致配准方法的实用性大打折扣，极大的限制这类方法的实际广泛应用。
发明内容
本公开为了解决上述问题，提出了一种分区域递进式脑图像弹性配准方法及系统，利用深度学习配准模型Ⅰ对脑组织边界进行配准，在获得脑组织边界配准结果的基础上利用深度学习配准模型Ⅱ进行脑组织内部配准，提高了脑组织图像配准的精度。
为实现上述目的，本公开采用如下技术方案：
第一方面，提出了一种分区域递进式脑图像弹性配准方法，包括：
获取待识别的脑图像；
将待识别的脑图像输入训练好的脑图像弹性配准模型中，获取脑图像配准结果；
其中，脑图像弹性配准模型包括深度学习配准模型Ⅰ和深度学习配准模型Ⅱ，将待识别的脑图像输入训练好的深度学习配准模型Ⅰ中输出脑组织边界配准图像，将脑组织边界配准图像输入训练好的深度学习配准模型Ⅱ中输出脑组织内部配准图像，将脑组织边界配准图像和脑组织内部配准图像进行叠加获得脑图像配准结果。
第二方面，提出了一种分区域递进式脑图像弹性配准系统，包括：
脑图像获取模块，用于获取待识别的脑图像；
脑图像配准模块，用于将待识别的脑图像输入训练好的脑图像弹性配准模型中，获取脑图像配准结果；
其中，脑图像弹性配准模型包括深度学习配准模型Ⅰ和深度学习配准模型Ⅱ，将待识别的脑图像输入训练好的深度学习配准模型Ⅰ中输出脑组织边界配准图像，将脑组织边界配准图像输入训练好的深度学习配准模型Ⅱ中输出脑组织内部配准图像，将脑组织边界配准图像和脑组织内部配准图像进行叠加获得脑图像配准结果。
第三方面，提出了一种电子设备，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，完成一种分区域递进式脑图像弹性配准方法所述的步骤。
第四方面，提出了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，完成一种分区域递进式脑图像弹性配准方法所述的步骤。
与现有技术相比，本公开的有益效果为：
1、本公开在对脑组织图像进行配准时，通过深度学习配准模型Ⅰ对脑组织边界进行配准，在获得脑组织边界配准结果的基础上利用深度学习配准模型Ⅱ进行脑组织内部配准，将脑组织边界配准结果和脑组织内部配准结果进行叠加，获得脑组织配准结果，提高了脑组织配准结果的准确率和精度。
2、本公开的配准方法不仅用于脑组织图像配准，还能够对稳定的组织结构边界的其他器官(前列腺、眼底、肺部等)和其他模态的静态医学图像进行配准，具备良好的泛化性。
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
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本公开实施例1公开方法的流程图；
图2为本公开实施例1公开的模型训练流程及形变场叠加过程图；
图3(a)为本公开实施例1采用的弱监督(半监督)深度学习配准模型；
图3(b)为本公开实施例1采用的无监督深度学习配准模型；
图3(c)为本公开实施例1采用深度学习配准模型；
图4(a)为本公开实施例1公开的脑部MR图像及分割标签图；
图4(b)为本公开实施例1公开的脑脊液外表面3D图及2D切片图；
图4(c)为本公开实施例1公开的脑灰质外表面3D图及2D切片图；
图4(d)为本公开实施例1公开的脑白质外表面3D图及2D切片图；
图5为本公开实施例1公开的深度学习配准模型Ⅰ的训练过程；
图6为本公开实施例1公开的深度学习配准模型Ⅱ的训练过程；
图7为本公开实施例1公开的形变场预测过程。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请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申请的示例性实施方式。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，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。
本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本公开中的具体含义，不能理解为对本公开的限制。
实施例1
在该实施例中，公开了一种分区域递进式脑图像弹性配准方法，包括：
获取待识别的脑图像；
将待识别的脑图像输入训练好的脑图像弹性配准模型中，获取脑图像配准结果；
其中，脑图像弹性配准模型包括深度学习配准模型Ⅰ和深度学习配准模型Ⅱ，将待识别的脑图像输入训练好的深度学习配准模型Ⅰ中输出脑组织边界配准图像，将脑组织边界配准图像输入训练好的深度学习配准模型Ⅱ中输出脑组织内部配准图像，将脑组织边界配准图像和脑组织内部配准图像进行叠加获得脑图像配准结果。
进一步的，深度学习配准模型Ⅰ和深度学习配准模型Ⅱ的训练过程为：
获取包含大脑图像及对应的脑组织边界信息的训练样本集；
利用训练样本对深度学习配准模型Ⅰ进行训练，输出的脑组织边界配准后图像和图像分割数据；
通过脑组织边界配准后图像和图像分割数据对深度学习配准模型Ⅱ进行训练。
进一步的，获得脑组织边界信息的过程为：
获取立体核磁共振脑图像建立训练样本集；
从训练样本集中选取一个样本作为参考图像；
将训练样本集中的脑图像与参考图像进行配准分割，获得不同的脑组织边界信息。
进一步的，将脑组织边界配准图像和脑组织内部配准图像进行叠加获得脑图像配准结果时，添加平滑约束。
进一步的，深度学习配准模型Ⅰ采用半监督的训练方式。
进一步的，深度学习配准模型Ⅱ采用无监督的训练方式。
进一步的，深度学习配准模型Ⅰ和深度学习配准模型Ⅱ均采用现有的深度学习配准网络。
对本实施例公开的一种分区域递进式脑图像弹性配准方法进行详细说明。
如图1所示，一种分区域递进式脑图像弹性配准方法，包括：
S1：获取待识别的脑图像。
在具体实施例时，待识别的脑图像可以为立体核磁共振(MR)脑图像。
S2：将待识别的脑图像输入训练好的脑图像弹性配准模型中，获取脑图像配准结果，其中，脑图像弹性配准模型包括深度学习配准模型Ⅰ和深度学习配准模型Ⅱ，将待识别的脑图像输入训练好的深度学习配准模型Ⅰ中输出脑组织边界配准图像，将脑组织边界配准图像输入训练好的深度学习配准模型Ⅱ中输出脑组织内部配准图像，将脑组织边界配准图像和脑组织内部配准图像进行叠加获得脑图像配准结果。
在具体实施时，获取训练好的脑图像弹性配准模型的具体过程如图2所示：
S21：图像预处理及训练数据的准备。
这个步骤的主要目的是建立训练脑图像弹性配准模型所需的数据。
首先，采集足够的立体核磁共振脑图像建立训练样本集。
其次，从训练样本集中挑选一个样本作为参考图像。
最后，对于训练样本集中的每个个体图像，先将其与参考图像进行刚性配准，然后再用现有的图像分割算法对图像进行分割处理，得到如图4(a)-图4(d)所示的不同脑组织的边界信息。
S22：利用训练样本中的大脑图像和对应的脑组织边界信息对深度学习配准模型Ⅰ进行训练，获得训练好的深度学习配准模型Ⅰ，将训练样本中的大脑图像输入训练好的深度学习配准模型Ⅰ中，输出脑组织配准后图像和图像分割数据。
在具体实施时，深度学习配准模型Ⅰ具体的训练过程如图5所示，并采用图3(a)所示的半监督的训练方式进行训练，设计合适的深度学习网络结构和优化目标函数，利用S21图像预处理得到的大脑图像及其分割图像中的脑组织边界信息，对深度学习配准模型Ⅰ进行训练。训练过程与基本的深度学习配准模型训练方式一致。深度学习网络结构可以参照目前有关物体表面对齐与配准的相关研究设计，使用现有的图像配准网络；优化目标函数的设计应当选取可以合理、有效的融合分割图像边界信息的指标。特别指出的是，符合上述两条要求的相关设计，通过本实施例方法均能达到本发明的预期目标，本发明并不指定确定的深度网络结构和优化目标函数。
S23：采用训练好的深度学习配准模型Ⅰ输出的脑组织边界配准后图像和图像分割数据对深度学习配准模型Ⅱ进行训练，输出脑组织内部配准后图像。
在具体实施时，深度学习配准模型Ⅱ的训练过程如图6所示，参考图3(b)所示的无监督的训练方式进行训练，训练的具体过程为：通过S22获取的脑组织边界配准后图像和图像分割数据对深度学习配准模型Ⅱ进行训练，在训练时，设计合适的深度学习网络结构和优化目标函数，训练过程与基本的深度学习配准模型训练方式一致。深度学习网络结构可以参照目前有关图像配准的相关研究设计，采用现有的图像配准网络。优化目标函数的设计主要基于图像相似度指标设计，同时利用配准后的分割图像作为掩模数据约束优化目标。该步骤的关键亦在于训练深度学习配准模型Ⅱ的输入数据已经经过步骤S22的组织边界区域配准，并利用配准后的分割图像作为掩模数据，从而保证深度学习配准模型Ⅱ只学习同一组织内部的形变，例如图3(c)中显示的是只进行脑灰质部分的配准训练框架。本发明亦不指定该步骤中的深度网络结构和优化目标函数。
S24：将训练好的深度学习配准模型Ⅰ输出的脑组织边界配准后图像和训练好的深度学习配准模型Ⅱ输出的脑组织内部配准后图像进行形变场叠加，获得脑图像配准结果。
在具体实施时，如图7所示，将S22和S23输出的形变场进行叠加，并进行平滑性等形变场性质约束，生成整体的最终形变场，最终的形变场，既能保证整体的配准进度，也能保证边界区域、局部区域的配准精度。
需要特别指出的是，基于深度学习配准模型Ⅰ的弱监督训练原理，在深度学习配准模型Ⅰ训练时，需要用到分割图像设计优化目标监督模型训练，但在实际应用过程中，深度学习配准模型Ⅰ仅需要刚性配准后的大脑MR图像作为输入，即可完成配准和形变场的输出。
本实施例公开的一种分区域递进式脑图像弹性配准方法，以大脑组织为例，借鉴传统物体表面配准方法，提出用深度学习配准模型Ⅰ分别对大脑皮层表面(大脑灰质与脑脊液的边界)进行配准，大脑皮层内表面(大脑灰质与白质的边界)，以及大脑白质和大脑内部脑脊液的边界进行配准。其次，在组织边界较为精确配准的基础上，利用深度学习配准模型Ⅱ将大脑分为脑灰质、脑白质与脑脊液三个区域分别进行组织内部配准。最后，将上述两个阶段生成的形变场进行叠加操作并进行形变场平滑性约束，生成大脑整体的形变场，完成立体核磁共振脑图像弹性配准，提高配准结果的精确度。
由于深度学习配准模型Ⅰ、Ⅱ分别完成组织边界表面配准和组织内部配准任务，基于深度学习的训练原理和特点，可以保证形变场的变化更为符合大脑解剖结构特点，从而保证在不降低整体配准精度的条件下，明显提高边界区域配准的准确度，解决整体约束导致的不同配准区域精度不均衡问题，进而提高配准模型的准确度和泛化能力。
本实施例公开的方法能够解决基于深度学习的配准方法的配准准确度不均衡问题，解决边界区域、局部区域的形变场模糊问题，在提高配准模型配准精度和泛化能力的同时，又不受传统配准方法的人工特征选择的限制。
本实施例公开的方法在脑部MR图像上，在大脑组织边界区域上的配准结果都得到了明显的提高。尤其在大脑皮层附近的配准精度得到了明显的提高；在对大脑MR公开数据集进行实验中，使用本实施例公开方法进行配准，配准后的结果和参考图像的重合度(即Dice系数)明显提高，脑脊液区域72.2％提高到74.9％，脑灰质区域由76.5％提高到79.7％，脑白质区域由84.7％提高到86.4％。在定性分析中，使用本实施例方法配准后的大脑皮层表面与固定图像的大脑皮层表面的主观一致性明显优于其他的基于深度学习的配准方法。
本实施例公开的方法不限于大脑MR图像配准，具有稳定的组织结构边界的其他器官(前列腺、眼底、肺部等)和其他模态的静态医学图像(CT、PET等)也可用本实施例公开的方法进行分步配准。
本实施例为方便描述，采用了两个配准模型分阶段训练的方式。在配准模型结构分层设计的情况下，两个配准模型可以合二为一；亦可以分出更多的配准模型相互配合，实现更为复杂或者更多组织种类情况下的配准任务。
实施例2
在该实施例中，公开了一种分区域递进式脑图像弹性配准系统，包括：
脑图像获取模块，用于获取待识别的脑图像；
脑图像配准模块，用于将待识别的脑图像输入训练好的脑图像弹性配准模型中，获取脑图像配准结果；
其中，脑图像弹性配准模型包括深度学习配准模型Ⅰ和深度学习配准模型Ⅱ，利用大脑图像及对应的脑组织边界信息对深度学习配准模型Ⅰ进行训练，利用训练好的深度学习配准模型Ⅰ输出的脑组织边界配准后图像和图像分割数据对深度学习配准模型Ⅱ进行训练，训练好的深度学习配准模型Ⅱ输出脑组织内部配准后图像，将脑组织边界配准后图像和脑组织内部配准后图像进行叠加获得脑图像配准结果。
实施例3
在该实施例中，公开了一种电子设备，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公开的一种分区域递进式脑图像弹性配准方法所述的步骤。
实施例4
在该实施例中，公开了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公开的一种分区域递进式脑图像弹性配准方法所述的步骤。
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种分区域递进式脑图像弹性配准方法，其特征在于，包括：
获取待识别的脑图像；
将待识别的脑图像输入训练好的脑图像弹性配准模型中，获取脑图像配准结果；
其中，脑图像弹性配准模型包括深度学习配准模型Ⅰ和深度学习配准模型Ⅱ，将待识别的脑图像输入训练好的深度学习配准模型Ⅰ中输出脑组织边界配准图像，将脑组织边界配准图像输入训练好的深度学习配准模型Ⅱ中输出脑组织内部配准图像，将脑组织边界配准图像和脑组织内部配准图像进行叠加获得脑图像配准结果。
2.如权利要求1所述的分区域递进式脑图像弹性配准方法，其特征在于：深度学习配准模型Ⅰ和深度学习配准模型Ⅱ的训练过程为：
获取包含大脑图像及对应的脑组织边界信息的训练样本集；
利用训练样本对深度学习配准模型Ⅰ进行训练，输出的脑组织边界配准后图像和图像分割数据；
通过脑组织边界配准后图像和图像分割数据对深度学习配准模型Ⅱ进行训练。
3.如权利要求2所述的分区域递进式脑图像弹性配准方法，其特征在于，获得脑组织边界信息的过程为：
获取立体核磁共振脑图像建立训练样本集；
从训练样本集中选取一个样本作为参考图像；
将训练样本集中的脑图像与参考图像进行配准分割，获得不同的脑组织边界信息。
4.如权利要求1所述的分区域递进式脑图像弹性配准方法，其特征在于，将脑组织边界配准图像和脑组织内部配准图像进行叠加获得脑图像配准结果时，添加平滑约束。
5.如权利要求1所述的分区域递进式脑图像弹性配准方法，其特征在于，深度学习配准模型Ⅰ采用半监督的训练方式。
6.如权利要求1所述的分区域递进式脑图像弹性配准方法，其特征在于，深度学习配准模型Ⅱ采用无监督的训练方式。
7.如权利要求1所述的分区域递进式脑图像弹性配准方法，其特征在于，深度学习配准模型Ⅰ和深度学习配准模型Ⅱ均采用现有的深度学习配准网络。
8.一种分区域递进式脑图像弹性配准系统，其特征在于，包括：
脑图像获取模块，用于获取待识别的脑图像；
脑图像配准模块，用于将待识别的脑图像输入训练好的脑图像弹性配准模型中，获取脑图像配准结果；
其中，脑图像弹性配准模型包括深度学习配准模型Ⅰ和深度学习配准模型Ⅱ，将待识别的脑图像输入训练好的深度学习配准模型Ⅰ中输出脑组织边界配准图像，将脑组织边界配准图像输入训练好的深度学习配准模型Ⅱ中输出脑组织内部配准图像，将脑组织边界配准图像和脑组织内部配准图像进行叠加获得脑图像配准结果。
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任一项所述的分区域递进式脑图像弹性配准方法的步骤。
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任一项所述的分区域递进式脑图像弹性配准方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110542262.0A CN113269816A (zh) | 2021-05-18 | 2021-05-18 | 一种分区域递进式脑图像弹性配准方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110542262.0A CN113269816A (zh) | 2021-05-18 | 2021-05-18 | 一种分区域递进式脑图像弹性配准方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113269816A true CN113269816A (zh) | 2021-08-17 |
Family
ID=77231488
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110542262.0A Pending CN113269816A (zh) | 2021-05-18 | 2021-05-18 | 一种分区域递进式脑图像弹性配准方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113269816A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115393527A (zh) * | 2022-09-14 | 2022-11-25 | 北京富益辰医疗科技有限公司 | 基于多模影像与交互设备的解剖导航构建方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190046068A1 (en) * | 2017-08-10 | 2019-02-14 | Siemens Healthcare Gmbh | Protocol independent image processing with adversarial networks |
| CN111563903A (zh) * | 2020-04-26 | 2020-08-21 | 北京航空航天大学 | 一种基于深度学习的mri全脑组织分割方法 |
-
2021
- 2021-05-18 CN CN202110542262.0A patent/CN113269816A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190046068A1 (en) * | 2017-08-10 | 2019-02-14 | Siemens Healthcare Gmbh | Protocol independent image processing with adversarial networks |
| CN111563903A (zh) * | 2020-04-26 | 2020-08-21 | 北京航空航天大学 | 一种基于深度学习的mri全脑组织分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吴国荣等: "非线性立体脑图像配准中的机器学习方法", 《中国医疗器械杂志》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115393527A (zh) * | 2022-09-14 | 2022-11-25 | 北京富益辰医疗科技有限公司 | 基于多模影像与交互设备的解剖导航构建方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Schilling et al. | Challenges in diffusion MRI tractography–Lessons learned from international benchmark competitions | |
| US20240144495A1 (en) | Method and system for processing multi-modality image | |
| Zhang et al. | Review of breast cancer pathologigcal image processing | |
| CN103339653B (zh) | 勾画组织损伤的方法 | |
| CN111008984B (zh) | 医学影像中正常器官的轮廓线自动勾画方法 | |
| CN105760874B (zh) | 面向尘肺的ct图像处理系统及其ct图像处理方法 | |
| CN111047594A (zh) | 肿瘤mri弱监督学习分析建模方法及其模型 | |
| Schreibmann et al. | Multiatlas segmentation of thoracic and abdominal anatomy with level set‐based local search | |
| Nowinski et al. | Three-dimensional interactive and stereotactic human brain atlas of white matter tracts | |
| WO2020033566A1 (en) | Neural networks for volumetric segmentation and parcellated surface representations | |
| CN115311193A (zh) | 一种基于双重注意力机制的异常脑图像分割方法及系统 | |
| Wang et al. | A fast 3D brain extraction and visualization framework using active contour and modern OpenGL pipelines | |
| CN113269816A (zh) | 一种分区域递进式脑图像弹性配准方法及系统 | |
| Aranda et al. | A flocking based method for brain tractography | |
| CN105825508A (zh) | 一种基于脑部医学图像分割的脑积水辅助诊断方法 | |
| Liu et al. | Vct-net: An octa retinal vessel segmentation network based on convolution and transformer | |
| CN109741330A (zh) | 一种混合滤波策略和模糊c均值的医学图像分割方法 | |
| Liu et al. | Propagation graph fusion for multi-modal medical content-based retrieval | |
| Prasad et al. | Skull-stripping with machine learning deformable organisms | |
| Zihni et al. | An analysis of the interpretability of neural networks trained on magnetic resonance imaging for stroke outcome prediction | |
| CN112712507A (zh) | 一种确定冠状动脉的钙化区域的方法及装置 | |
| Ye et al. | A Bayesian approach to fiber orientation estimation guided by volumetric tract segmentation | |
| Lewis et al. | The role of anatomical context in soft‐tissue multi‐organ segmentation of cadaveric non‐contrast‐enhanced whole body CT | |
| CN115063419B (zh) | 基于可解释集成3dcnn的神经影像学生物标志物的提取方法 | |
| Yuan et al. | A 2.5 D Coarse-to-Fine Framework for 3D Cardiac CT View Planning |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210817 |