CN114119354A - 医学图像配准训练及使用方法、系统及装置 - Google Patents

医学图像配准训练及使用方法、系统及装置 Download PDF

Info

Publication number
CN114119354A
CN114119354A CN202111420089.3A CN202111420089A CN114119354A CN 114119354 A CN114119354 A CN 114119354A CN 202111420089 A CN202111420089 A CN 202111420089A CN 114119354 A CN114119354 A CN 114119354A
Authority
CN
China
Prior art keywords
image
medical
registration
neural network
medical image
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
Application number
CN202111420089.3A
Other languages
English (en)
Inventor
张成奋
徐枫
郭雨晨
杨东
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.)
Hangzhou Zhuoxi Brain And Intelligence Research Institute
Original Assignee
Hangzhou Zhuoxi Brain And Intelligence Research Institute
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 Hangzhou Zhuoxi Brain And Intelligence Research Institute filed Critical Hangzhou Zhuoxi Brain And Intelligence Research Institute
Priority to CN202111420089.3A priority Critical patent/CN114119354A/zh
Publication of CN114119354A publication Critical patent/CN114119354A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • 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)
  • Image Analysis (AREA)

Abstract

本发明公开了一种医学图像配准训练及使用方法、系统及装置，所述方法包括：S1、获取医学图像；S2、将所述医学图像送入卷积神经网络训练得到医学图像配准模型；S3、输出训练完成的医学图像配准模型。S31、获取医学浮动图像和医学固定图像；S32、将所述医学浮动图像和医学固定图像输入基于卷积神经网络的医学图像配准模型，从医学图像配准模型输出医学配准图像。本发明实现了医学图像配准的训练和使用，提升医学影像配准的实时性和准确性。

Description

医学图像配准训练及使用方法、系统及装置
技术领域
本发明涉及医学图像配准领域，尤其是涉及一种医学图像配准训练及使用方法、系统及装置。
背景技术
近年来随着技术的发展，磁共振图像(MRI)成为颅内各类疾病的主要影像检查技术，利用MRI图像能够更敏感地发现病变并显示病变特征，有利于疾病的检出和准确诊断。MRI影像检查具有成像序列多样的特点，不同模态的成像序列能够反映不同的组织解剖形态，从而充分能够反映人体血流和细胞代谢等生理功能信息。根据扫描方式的不同，MRI影像可以分为T1加权成像，T2加权成像，血管造影成像，以及动态增强成像等多种模态。
在临床医学中，由于临床诊断的需要，医生往往需要将同一病人在不同时间或是不同模态下的医学影像进行分析比较，以提高医学诊断的效率与准确性。这种多模式影像信息的综合利用被称为医学影像信息融合。而对多张图像进行定量分析，首先需要解决的就是图像间严格对齐的问题，也就是图像配准问题。由于医学影像获取的条件或成像设备之间的差异，不同时间或不同成像设备获取的图像往往存在形变或噪声等差异，这就为图像定量分析带来了困难。因此，医学影像配准是医学影像信息融合的基础和前提。
现有的医学影像配准技术主要可以分为两类。一类是传统的基于图形学算子进行特定特征提取，再根据特征空间采用一定的搜索策略得到空间变换，使得图像经过该空间变换后能够满足所定义的相似度测度。这类方法往往需要根据特定图像构建复杂的空间变换模型，并且由于搜索算法往往需要迭代运算，因此配准的速度也比较慢。另一类方法是近些年来出现的基于深度学习的配准方法。这类方法基于多层卷积网络自动提取图像特征和预测配准形变场，且配准过程中无需进行迭代运算，目前在配准精度和速度上都超过了大部分传统的配准方法。然而由于缺乏先验知识，没有构建特定的空间变换模型，因此基于深度学习的配准方法往往需要大量的训练数据进行学习，鲁棒性相对较差，并且仍需要先使用比较耗时基于传统方法的刚性配准算法进行初步对齐，才能达到比较高的配准精度。
发明内容
本发明的目的在于提供一种医学图像配准训练及使用方法、系统及装置，旨在解决医学图像配准训练及使用方法。
本发明提供一种基于卷积神经网络的医学图像配准训练方法，包括：
S1、获取医学图像；
S2、将所述医学图像送入卷积神经网络训练得到医学图像配准模型；
S3、输出训练完成的医学图像配准模型。
本发明还提供一种基于卷积神经网络的医学图像配准使用方法，包括:
S31、获取医学浮动图像和医学固定图像；
S32、将所述医学浮动图像和医学固定图像输入基于卷积神经网络的医学图像配准模型，从医学图像配准模型输出医学配准图像。
本发明还提供一种基于卷积神经网络的医学图像配准训练系统，包括：
获取模块：用于获取医学图像；
训练模块：用于将所述医学图像送入卷积神经网络训练得到医学图像配准模型；
输出模块：输出训练完成的医学图像配准模型。
本发明还提供一种基于卷积神经网络的医学图像配准使用系统，包括：
获取图像模块：用于获取医学浮动图像和医学固定图像；
输出配准图像模块：用于将所述医学浮动图像和医学固定图像输入基于卷积神经网络的医学图像配准模型，从医学图像配准模型输出医学配准图像。
本发明实施例还提供一种基于卷积神经网络的医学图像配准训练装置，包括：第一存储器、第一处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现基于卷积神经网络的医学图像配准训练方法的步骤。
本发明实施例还提供一种基于卷积神经网络的医学图像配准使用装置，包括：第二存储器、第二处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现基于卷积神经网络的医学图像配准使用方法的步骤。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现卷积神经网络的医学图像配准训练方法的步骤。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现卷积神经网络的医学图像配准使用方法的步骤。
采用本发明实施例，实现了医学图像配准的训练和使用，提升医学影像配准的实时性和准确性。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的基于卷积神经网络的医学图像配准训练方法的流程图；
图2是本发明实施例的基于卷积神经网络的医学图像配准训练方法的训练框架示意图；
图3是本发明实施例的基于卷积神经网络的医学图像配准使用方法的流程图；
图4是本发明实施例的基于卷积神经网络的医学图像配准使用方法的框架示意图；
图5是本发明实施例的一种基于卷积神经网络的医学图像配准训练系统的示意图；
图6是本发明实施例的一种基于卷积神经网络的医学图像配准使用系统的示意图；
图7是本发明实施例的一种基于卷积神经网络的医学图像配准训练装置示意图；
图8是本发明实施例的一种基于卷积神经网络的医学图像配准训练装置示意图。
附图标记说明：
510：获取模块；520：训练模块；530：输出模块；610：获取模块；620：输出配准图像模块；70：第一存储器；72：第一处理器；80：第二存储器；82：第二处理器。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”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，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
方法实施例一
根据本发明实施例，提供了一种基于卷积神经网络的医学图像配准训练方法，图1是本发明实施例的基于卷积神经网络的医学图像配准训练方法的流程图，如图1所示，具体包括：
S1、获取医学图像；
S2、将所述医学图像送入卷积神经网络训练得到医学图像配准模型；
S2具体包括：
S11、将所述医学图像的同一病人不同模态序列分别作为浮动图像和固定图像送入卷积神经网络入口；
S12、进入卷积神经网络入口后，将所述浮动图像和固定图像分别都送入下采样网络和刚性变换参数预测层得到刚性变换参数；
S13、将所述浮动图像和刚性变换参数送入空间变换网络得到初步对齐图像；
S14、计算初步对齐图像和固定图像的互信息量，根据互信息量计算损失函数，并计算梯度；
S15、更新下采样网络和刚性变换参数预测层的卷积神经网络参数；
S16、重复S11到S15的步骤，直到所述梯度不再下降，冻结下采样卷积神经网络参数；
S17、将梯度不再下降的初步对齐图形和固定图像两两一组送入卷积神经网络入口；
S18、进入卷积神经网络入口后，将梯度不再下降的初步对齐图形和固定图像通过下采样网络和上采样网络后得到非刚性配准形变场；
S19、将初步对齐图像和非刚性配准形变场送入空间变换网络得到最终配准图像，再根据配准图像和固定图像计算损失函数和梯度；
S20、更新上采样卷积神经网络参数；
S21、重复S17到S20直至梯度不再下降，完成医学图像配准模型训练。
S3、输出训练完成的医学图像配准模型。
解决在脑部医学影像多模态配准中，需要先使用比较耗时的基于迭代搜索的刚性配准方法进行预处理的问题，以及对不同模态间医学影像预测的配准形变场容易出现局部重叠的问题，提升医学影像配准的实时性和准确性；
深度卷积网络的训练，采用两阶段训练的方式，训练得到一个能输出刚性配准参数和非刚性配准形变场的模型；
图2是本发明实施例的基于卷积神经网络的医学图像配准训练方法的训练框架示意图；
如图2所示：本发明提出的深度卷积神经网络卷积神经网络可分为四个子模块：分别为下采样网络，上采样网络，刚性变换参数预测层和空间变换网络。其中，下采样网络采用3*3*3大小的卷积核，每个卷积核后带有Leaky ReLU激活函数。使用4个步长为2的下采样层将图像尺寸减少至输入图像的1/16。在上采样网络部分，同样使用3*3*3大小的卷积核与Leaky ReLU激活函数，使用upsampling方法进行4次上采样直至回到原始的图像尺寸。网络中还使用了跳跃连接(skip connections)将下采样网络中学到的特性直接传播到用于生成形变场的层。刚性变换参数预测层位于下采样网络和上采样网络之间，通过全连接计算的方式输出12个刚性变换参数。最后空间变换网络是一个可微分的计算模块，它能够实现平移、缩放、旋转等空间变换，且不需要对参数优化过程进行额外的训练监督。
在网络训练中，我们使用了三种损失函数来进行参数优化。分别是互信息量损失，平滑损失和抗重叠损失。
其中，互信息量损失可表示为：
Figure BDA0003376994180000081
其中X，Y分别表示浮动图像和固定图像，p(x)，p(x,y)分别表示图像的边缘概率密度和两幅图像的联合概率密度。
形变场平滑损失可表示为，
Figure BDA0003376994180000082
其中Ω代表形变场，||.||表示正则函数。
形变场抗重叠损失可表示为，
Figure BDA0003376994180000083
其中i表示图像的某一轴，δ表示一个修正线性单元。
在训练过程中，采用了平滑损失和抗重叠损失约束形变场出现局部剧变和重叠。方法提升了配准算法的整体运算速度，同时提升了算法的配准精度和鲁棒性。
在训练阶段，使用每两组相同病人不同模态或不同拍摄时间的训练数据，采取无监督训练的方法对提出的深度卷积神经网络进行训练。训练步骤可以总结如下。第一步：构建训练数据组，每两个同一病人不同模态的序列分别作为浮动图像和固定图像送入模型。第二步，通过下采样网络和刚性变换参数预测层得到刚性变换参数。第三步，通过空间变换网络得到初步对齐图像。第四步，计算初步对齐图像和固定图像的互信息量并计算梯度。第五步，更新下采样网络和刚性变换参数预测层的参数。第六步，重复第一至五步直至梯度不再下降，冻结下采样网络参数。第七步，将刚性变换后的初步对齐图形和固定图像两两一组送入模型。第八步，通过下采样和上采样网络得到形变场。第九步，计算互信息量、形变场平滑损失和抗重叠损失并计算梯度。第十步，将初步对齐图像和形变场送入空间变换网络得到最终配准图像。再根据配准图像和固定图像计算损失函数和梯度，更新上采样网络参数。第十一步，重复第七至十步直至梯度不再下降，完成训练，输出模型。通过训练得到的深度置信网络。
本发明提出一种基于无监督深度神经网络的两阶段医学影像配准方法，解决脑部医学影像配准中运算速度慢和深度学习方法预测的形变场容易出现局部重叠的问题。
从上述的描述中可以看出，本发明注意到在脑部医学影像多模态配准中，无论传统或是深度学习方法，都不可避免需要先使用比较耗时的基于迭代搜索的刚性配准方法进行预处理，并且基于深度学习方法预测配准形变场容易出现局部重叠的问题。因此本发明中针对性地提出了两阶段深度卷积神经网络配准方法，在增加少量参数的前提下，将刚性配准和非刚性配准的网络集合到一个模型中，大幅降低了配准所需要的时间，同时通过对形变场施加平滑约束和抗重叠约束，提高了配准的准确性。本发明所提出的基于无监督的深度卷积神经网络医学图像配准方法具有耗时少、精度高、鲁棒性强等特点，具有较强的实际应用前景。
方法实施例二
根据本发明实施例，提供了一种基于卷积神经网络的医学图像配准使用方法，图3是本发明实施例的基于卷积神经网络的医学图像配准使用方法的流程图，如图3所示，具体包括：
S31、获取医学浮动图像和医学固定图像；
S32、将所述医学浮动图像和医学固定图像输入基于卷积神经网络的医学图像配准模型，从医学图像配准模型输出医学配准图像。
S32具体包括：将医学浮动图像和医学固定图像输入医学图像配准模型，得到刚性变换的参数和初步对齐图像，将初步对齐图像送入医学图像配准模型，得到非刚性变换的形变场，并输出最终配准图像。
图4是本发明实施例的基于卷积神经网络的医学图像配准使用方法的框架示意图；如图4所示：
在实际使用阶段，将两张医学图像分别作为浮动图像和固定图像，然后按照如下步骤进行处理。第一步，将数据送入到模型中。第二步，得到刚性变换的参数和初步对齐图像，第三步，将初步对齐图像送入模型输入端，第四步，得到非刚性变换的形变场，并输出最终配准图像。
方法采用权重共享的方式，构建了一个UNet结构卷积网络，首先使用下采样网络的输出预测刚性配准的变换参数，对输入图像进行仿射变换得到初步对齐图像。再通过包含下采样和上采样网络的整体网络对对齐后的图像预测非刚性配准的形变场，通过形变场变换得到最终配准图像。
系统实施例一
根据本发明实施例，提供了一种基于卷积神经网络的医学图像配准训练系统，图5是本发明实施例的一种基于卷积神经网络的医学图像配准训练系统的示意图，如图5所示，具体包括：
获取模块510：用于获取医学图像；
训练模块520：用于将所述医学图像送入卷积神经网络训练得到医学图像配准模型；
训练模块520具体用于：
先进行第一阶段训练，如下，将所述医学图像的同一病人不同模态序列分别作为浮动图像和固定图像送入卷积神经网络入口；
进入卷积神经网络入口后，将所述浮动图像和固定图像分别都送入下采样网络和刚性变换参数预测层得到刚性变换参数；
将所述浮动图像和刚性变换参数送入空间变换网络得到初步对齐图像；
计算初步对齐图像和固定图像的互信息量，根据互信息量计算损失函数，并计算梯度；
更新下采样网络和刚性变换参数预测层的卷积神经网络参数；
重复第一阶段训练，直到所述梯度不再下降，冻结下采样卷积神经网络参数；
进行第二阶段训练，如下，将梯度不再下降的初步对齐图形和固定图像两两一组送入卷积神经网络入口；
进入卷积神经网络入口后，将梯度不再下降的初步对齐图形和固定图像通过下采样网络和上采样网络后得到非刚性配准形变场；
将初步对齐图像和非刚性配准形变场送入空间变换网络得到最终配准图像，再根据配准图像和固定图像计算损失函数和梯度；
更新上采样卷积神经网络参数；
重复第二阶段训练直至梯度不再下降，完成医学图像配准模型训练。
输出模块530：输出训练完成的医学图像配准模型。
系统实施例二
根据本发明实施例，提供了一种基于卷积神经网络的医学图像配准使用系统，图6是本发明实施例的一种基于卷积神经网络的医学图像配准使用系统的示意图，如图6所示，具体包括：
获取图像模块610：用于获取医学浮动图像和医学固定图像；
输出配准图像模块620：用于将所述医学浮动图像和医学固定图像输入基于卷积神经网络的医学图像配准模型，从医学图像配准模型输出医学配准图像。
输出配准图像模块620具体用于：将医学浮动图像和医学固定图像输入医学图像配准模型，得到刚性变换的参数和初步对齐图像，将初步对齐图像送入医学图像配准模型，得到非刚性变换的形变场，并输出最终配准图像。
本发明实施例是与上述方法实施例对应的系统实施例，各个模块的具体操作可以参照方法实施例的描述进行理解，在此不再赘述。
装置实施例一
本发明实施例提供一种基于卷积神经网络的医学图像配准训练装置，如图7所示，包括：第一存储器70、第一处理器72及存储在存储器70上并可在处理器72上运行的计算机程序，计算机程序被处理器执行时实现上述方法实施例中的步骤。
装置实施例二
本发明实施例提供一种基于卷积神经网络的医学图像配准使用装置，如图8所示，包括：第二存储器80、第二处理器82及存储在存储器80上并可在处理器82上运行的计算机程序，计算机程序被处理器执行时实现上述方法实施例中的步骤。
本实施例所述计算机可读存储介质包括但不限于为：ROM、RAM、磁盘或光盘等。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替本发明各实施例技术方案，并不使相应技术方案的本质脱离本方案的范围。

Claims (10)

1.一种基于卷积神经网络的医学图像配准训练方法，其特征在于，包括:
S1、获取医学图像；
S2、将所述医学图像送入卷积神经网络训练得到医学图像配准模型；
S3、输出训练完成的医学图像配准模型。
2.根据权利要求1所述的方法，其特征在于，所述S2具体包括：
S11、将所述医学图像的同一病人不同模态序列分别作为浮动图像和固定图像送入卷积神经网络入口；
S12、进入卷积神经网络入口后，将所述浮动图像和固定图像分别都送入下采样网络和刚性变换参数预测层得到刚性变换参数；
S13、将所述浮动图像和刚性变换参数送入空间变换网络得到初步对齐图像；
S14、计算初步对齐图像和固定图像的互信息量，根据互信息量计算损失函数，并计算梯度；
S15、更新下采样网络和刚性变换参数预测层的卷积神经网络参数；
S16、重复S11到S15的步骤，直到所述梯度不再下降，冻结下采样卷积神经网络参数；
S17、将梯度不再下降的初步对齐图形和固定图像两两一组送入卷积神经网络入口；
S18、进入卷积神经网络入口后，将梯度不再下降的初步对齐图形和固定图像通过下采样网络和上采样网络后得到非刚性配准形变场；
S19、将初步对齐图像和非刚性配准形变场送入空间变换网络得到最终配准图像，再根据配准图像和固定图像计算损失函数和梯度；
S20、更新上采样卷积神经网络参数；
S21、重复S17到S20直至梯度不再下降，完成医学图像配准模型训练。
3.一种基于卷积神经网络的医学图像配准使用方法，其特征在于，使用如权利要求1到2所述的医学图像配准模型，包括:
S31、获取医学浮动图像和医学固定图像；
S32、将所述医学浮动图像和医学固定图像输入基于卷积神经网络的医学图像配准模型，从医学图像配准模型输出医学配准图像。
4.根据权利要求3所述的方法，其特征在于，所述S32具体包括：将医学浮动图像和医学固定图像输入医学图像配准模型，得到刚性变换的参数和初步对齐图像，将初步对齐图像送入医学图像配准模型，得到非刚性变换的形变场，并输出最终配准图像。
5.一种基于卷积神经网络的医学图像配准训练系统，其特征在于，包括:
获取模块：用于获取医学图像；
训练模块：用于将所述医学图像送入卷积神经网络训练得到医学图像配准模型；
输出模块：输出训练完成的医学图像配准模型。
6.一种基于卷积神经网络的医学图像配准使用系统，其特征在于，使用如权利要求1到2训练的医学图像配准模型，包括:
获取图像模块：用于获取医学浮动图像和医学固定图像；
输出配准图像模块：用于将所述医学浮动图像和医学固定图像输入基于卷积神经网络的医学图像配准模型，从医学图像配准模型输出医学配准图像。
7.一种基于卷积神经网络的医学图像配准训练装置，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至2中任一项所述的基于卷积神经网络的医学图像配准训练方法的步骤。
8.一种基于卷积神经网络的医学图像配准使用装置，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求3至4中任一项所述的基于卷积神经网络的医学图像配准使用方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现如权利要求1至2中任一项所述的基于卷积神经网络的医学图像配准训练方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现如权利要求3至4中任一项所述的基于卷积神经网络的医学图像配准使用方法的步骤。
CN202111420089.3A 2021-11-26 2021-11-26 医学图像配准训练及使用方法、系统及装置 Pending CN114119354A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111420089.3A CN114119354A (zh) 2021-11-26 2021-11-26 医学图像配准训练及使用方法、系统及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111420089.3A CN114119354A (zh) 2021-11-26 2021-11-26 医学图像配准训练及使用方法、系统及装置

Publications (1)

Publication Number Publication Date
CN114119354A true CN114119354A (zh) 2022-03-01

Family

ID=80369862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111420089.3A Pending CN114119354A (zh) 2021-11-26 2021-11-26 医学图像配准训练及使用方法、系统及装置

Country Status (1)

Country Link
CN (1) CN114119354A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
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
WO2024207579A1 (zh) * 2023-04-06 2024-10-10 中国科学院深圳先进技术研究院 一种图像注册方法、装置、计算机设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
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
WO2024207579A1 (zh) * 2023-04-06 2024-10-10 中国科学院深圳先进技术研究院 一种图像注册方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
Khan et al. Deep neural architectures for medical image semantic segmentation
WO2020182033A1 (zh) 图像区域定位方法、装置和医学图像处理设备
Zhuang et al. Evaluation of algorithms for multi-modality whole heart segmentation: an open-access grand challenge
Zhang et al. Multi-modal deep learning model for auxiliary diagnosis of Alzheimer’s disease
Nazir et al. OFF-eNET: An optimally fused fully end-to-end network for automatic dense volumetric 3D intracranial blood vessels segmentation
CN107492071B (zh) 医学图像处理方法及设备
Tseng et al. DNetUnet: a semi-supervised CNN of medical image segmentation for super-computing AI service
Ren et al. Towards efficient medical lesion image super-resolution based on deep residual networks
Ammar et al. Automatic cardiac cine MRI segmentation and heart disease classification
US20230342918A1 (en) Image-driven brain atlas construction method, apparatus, device and storage medium
Ding et al. FTransCNN: Fusing Transformer and a CNN based on fuzzy logic for uncertain medical image segmentation
Shi et al. Automatic segmentation of cardiac magnetic resonance images based on multi-input fusion network
CN114119354A (zh) 医学图像配准训练及使用方法、系统及装置
Wang et al. MMNet: A multi-scale deep learning network for the left ventricular segmentation of cardiac MRI images
Xu et al. BMAnet: Boundary mining with adversarial learning for semi-supervised 2D myocardial infarction segmentation
Yang et al. DBAN: Adversarial network with multi-scale features for cardiac MRI segmentation
Yan et al. Cine MRI analysis by deep learning of optical flow: Adding the temporal dimension
CN111462146A (zh) 一种基于时空智能体的医学图像多模态配准方法
CN115512110A (zh) 一种涉及跨模态注意力机制的医学图像肿瘤分割方法
Deng et al. A new framework to reduce doctor’s workload for medical image annotation
WO2024183496A1 (zh) 一种双模态影像的脑龄预测方法
Nizamani et al. Advance brain tumor segmentation using feature fusion methods with deep U-Net model with CNN for MRI data
Li et al. RSU-Net: U-net based on residual and self-attention mechanism in the segmentation of cardiac magnetic resonance images
Chen et al. Dilated convolution network with edge fusion block and directional feature maps for cardiac MRI segmentation
Li et al. AMD-Net: Automatic subretinal fluid and hemorrhage segmentation for wet age-related macular degeneration in ocular fundus images

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