CN114332018A - 一种基于深度学习与轮廓特征的医学图像配准方法 - Google Patents
一种基于深度学习与轮廓特征的医学图像配准方法 Download PDFInfo
- Publication number
- CN114332018A CN114332018A CN202111643250.3A CN202111643250A CN114332018A CN 114332018 A CN114332018 A CN 114332018A CN 202111643250 A CN202111643250 A CN 202111643250A CN 114332018 A CN114332018 A CN 114332018A
- Authority
- CN
- China
- Prior art keywords
- deformation
- image
- model
- network
- deformation field
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013135 deep learning Methods 0.000 title claims abstract description 11
- 230000006870 function Effects 0.000 claims abstract description 42
- 238000009499 grossing Methods 0.000 claims abstract description 37
- 230000009466 transformation Effects 0.000 claims abstract description 26
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000007667 floating Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 27
- 238000005070 sampling Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000004807 localization Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 4
- 239000004576 sand Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000005314 correlation function Methods 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 238000000844 transformation Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于医学图像配准领域，涉及一种基于深度学习与轮廓特征的医学图像配准方法。本发明在医学图像配准任务中引入了额外信息，即从医学图像的预先分割结果中提取出轮廓特征，并利用该特征进行空间变换时的可微性构建损失函数，提高了医学图像的配准精度；提出了一种医学图像配准的网络框架，将网络模型分为了形变参数模型和形变场平滑模型两个部分，形变参数模型可以构建对应像素之间精确的变形，形变场平滑模型用于对构建的形变场进行平滑性约束；交替优化的策略保证模型最终能收敛至更为平滑的形变场，得到更精确的配准结果。
Description
技术领域
本发明属于医学图像配准领域，涉及一种基于深度学习与轮廓特征的医学图像配准方法。
背景技术
医学图像配准是指在两幅(或多幅)不同医学图像之间寻求一种(或一系列)几何空间变换，使得变换后的图像能与另一幅(或其它多幅)图像达到匹配。
依据选取的图像特征类别，可以将医学图像配准分为基于特征和基于灰度的配准。基于特征的图像配准方法，其主要利用提取的特征来优化空间变换，这些特征包括角点、轮廓、脊线等。然而，该类方法在配准精度上依赖于所提取特征的质量，因此具有一定的局限性。基于灰度的图像配准方法，其直接利用图像像素或体素的信息指导配准。该类方法无需提取图像特征，因此是目前该领域的研究热点。
近年来，由于深度学习的快速迭代，利用神经网络学习从图像到空间变换的复杂映射已经成为一个活跃的研究领域。有监督的学习方法，通过直接使用样本图像及其真实变换来训练网络。虽然其能够直接预测图像变换，但却依赖所生成变换的质量，且真实变换通常是无法得到的。而无监督的学习方法能够避免这一缺陷，其通过优化基于图像灰度的相似性度量来训练网络，实现端到端的参数预测。然而其训练需要大量的真实数据，这在实际中很难获取，且该类方法的配准精度有待进一步提高。
为了在无监督方法中利用图像的额外信息，有研究在训练过程中加入了辅助数据，如图像的分割标签或关键点等信息。该类方法使用无监督网络框架为主干，加入辅助数据作为监督信息进行联合训练，实验结果证明其要优于无监督方法。然而该类方法针对辅助数据所构建的损失函数，并不能显式地符合无监督方法中依赖图像灰度所构建的损失函数，因此在部分情况下效果并不显著。
发明内容
基于上述在无监督方法中利用额外信息所存在的问题，同时为了提高形变场的平滑度，本发明提出了一种基于深度学习与轮廓特征的医学图像配准方法。通过本发明方法，从医学图像的预先分割结果中提取出轮廓特征，利用该特征进行空间变换时的可微性构建损失函数，将其与所提出的无监督方法相结合共同优化神经网络参数，能够更加精确地实现医学图像配准。
本发明方法大致分为三个部分：
(1)轮廓特征提取模块：根据医学图像的预先分割结果，使用边缘检测方法提取图像轮廓特征，并构建对于轮廓特征的相似性度量。
(2)网络模型构建模块：提出了一种医学图像配准的网络框架，将网络模型分为了形变参数模型和形变场平滑模型两个部分。形变参数模型的作用是获得待配准图像的像素之间精确的对应关系，形变场平滑模型的作用是在允许误差存在的情况下获得平滑的形变场。两个模型都使用相同的图像作为输入，但形变参数模型使用图像对应的轮廓特征作为辅助数据，使模型参数得到更有效的优化。根据所述两个模型的输入与输出结果，设计对应的损失函数。
(3)网络参数优化模块：形变参数模型与形变场平滑模型的优化是交替进行的，首先固定形变场平滑模型的参数来优化形变参数模型，之后固定参数优化模型的参数来优化形变场平滑模型，直至该两个模型的损失函数收敛至最低或迭代达到预先设定好的次数。
为了达到上述目的，本发明采用了如下的技术方案：
一种基于深度学习与轮廓特征的医学图像配准方法，包括如下步骤：
步骤(1)：对医学图像数据集进行预处理，包括图像裁剪、归一化处理以及仿射配准等操作。
步骤(2)：根据图像预先分割结果提取其轮廓特征，构建对于轮廓特征的相似性度量。
步骤(3)：在预处理后的图像及其对应的轮廓特征中，选取一对作为参考图像IF(不包含轮廓特征)与参考轮廓GF，其它作为浮动图像IM与浮动轮廓GM。
步骤(4)：将参考图像IF与浮动图像IM作为神经网络的输入，并加入其对应的轮廓特征GF和GM作为额外信息辅助训练，构建形变参数模型；将参考图像IF与浮动图像IM作为神经网络的输入，不加入轮廓特征，构建形变场平滑模型；构建形变参数模型和形变场平滑模型的损失函数，交替优化两个网络模型参数。
步骤(5)：将待配准图像与参考图像输入训练好的形变场平滑模型，得到待配准图像的配准结果。
进一步地，所述步骤(2)包括以下步骤：
(2.1)获取每幅医学图像的分割结果，并将其按相同类别对应同一灰度值的形式存储。
(2.2)对于医学图像的分割结果S，使用Sobel算子对其进行边缘检测，得到医学图像的轮廓特征，也即梯度图像G。Sobel算子是高斯平滑与微分操作的结合体，其包含两个卷积核，分别为横向与纵向卷积核。分别将横向与纵向卷积核同分割结果S做卷积运算，即：
其中，*为卷积运算符，Gx和Gy分别为分割结果横向和纵向的梯度值。
根据所述两个梯度值，计算得到每个分割结果的梯度图像，也即轮廓特征，计算公式为：
对于三维医学图像，可以将上述Sobel算子转换为对应的三维进行运算。
(2.3)基于归一化互相关匹配算法描述轮廓特征相似度。归一化互相关性(normalization cross-correlation，NCC)是用于描述待匹配目标之间的相关程度。通过在两幅图像I1、I2的相同像素位置x处构建宽度为w的邻域匹配窗口，建立目标函数来度量该对窗口的相关性，其目标函数定义如下：
其中，Ω为像素位置集合，
和
分别为x邻域内的局部灰度平均值，xi表示x邻域内的像素位置。
将步骤(2.2)所得的轮廓特征作为参数计算NCC(G1,G2)，可以得到每对轮廓特征的相似性度量。
进一步地，所述步骤(4)包括以下步骤：
(4.1)构建形变参数模型：
(4.1.1)将所述的参考图像IF与一个浮动图像IM在图像通道上进行合并，得到一幅2通道的图像作为神经网络的输入层。
(4.1.2)对网络的输入进行下采样，获得下采样特征图。
(4.1.3)对步骤(4.1.2)所获得下采样特征图进行上采样，获得上采样特征图。
(4.1.4)对上采样特征图进行进一步细化，获得对应浮动图像IM到参考图像IF的形变场φt。
(4.1.5)将浮动图像IM和形变场φt输入到可微的空间变换网络，同时将浮动图像IM对应的轮廓特征GM和形变场φt输入到所述空间变换网络，分别经过空间变换网络的空间变换，得到对应变形后的图像
及其轮廓特征
所述的空间变换网络为STN网络，包含三个组成部分，分别为本地化网络(localisation network)、网格生成器(grid generator)及采样器(sampler)。STN网络首先使用本地化网络来预测所需的变换，之后使用网格生成器和采样器对图片实施变换。网格生成器可采用最近邻插值和线性插值方式进行插值，但是在网络训练过程中，最近邻插值会导致网络结构不可微，因此图像的分割结果不适用于STN网络的参与的训练过程。而步骤(2.2)所得的轮廓特征，由于其是梯度图像，因此能适应线性插值，从而使网络结构可微。
(4.2)构建形变场平滑模型：构建形变场平滑模型的过程与步骤(4.1.1)至步骤(4.1.4)相同，模型的架构以及初始化参数也与形变参数模型完全相同。输入的参考图像IF与浮动图像IM经过形变场平滑模型的计算，可以得到对应输入图像尺寸的形变场φs。
(4.3)交替优化网络模型参数：
(4.3.1)根据输入的参考图像IF、前述步骤得到的形变参数模型预测的形变场φt、形变场平滑模型预测的形变场φs、以及前述对应变形后的图像
及其轮廓特征
构建优化形变参数模型的损失函数。所述损失函数表达式定义如下：
其中，LI表示参考图像IF与变形后的图像
之间的相似性度量，LG表示参考图像IF的轮廓特征GF与浮动图像IM的轮廓特征GM变形后的特征
之间的相似性度量，Ldist表示形变参数模型预测的形变场φt与形变场平滑模型预测的形变场φs之间的L2距离，α、β为控制损失函数的超参数，γ为控制两形变场之间差异的超参数，表示允许形变场存在的不确定性程度。
对于损失函数中的相似性度量LI与LG，同时采用步骤(2.3)所述归一化互相关函数。对于损失函数中的L2距离Ldist，采用均值平方差损失(mean square error，MSE)，所述损失函数定义如下：
其中，Ω为像素位置集合，x为图像I1、I2的相同像素位置。
(4.3.2)根据步骤(4.3.1)得到的形变参数模型预测的形变场φt以及形变场平滑模型预测的形变场φs，构建优化形变场平滑模型的损失函数。所述损失函数表达式定义如下：
Ls(φt,φs)＝γLdist(φt,φs)+σLR(φs)
其中，Ldist表示形变参数模型预测的形变场φt与形变场平滑模型预测的形变场φs之间的L2距离，LR表示正则项损失，γ为控制两形变场之间差异的超参数，σ为正则化控制参数。
对于损失函数中的L2距离Ldist，采用步骤(4.3.1)所述的均值平方差损失。对于损失函数中的正则项损失LR，定义如下：
其中，m表示像素位置x处的位移。以三维图像为例，其表示为
(4.3.3)在初始化情况下，使形变参数模型与形变场平滑模型参数完全相同，即
之后执行交替优化的策略。在一次迭代过程中，固定形变场平滑模型的网络参数，即固定
(i表示迭代次数)，根据Lt损失函数值，进行形变参数模型的网络参数反向传播；再之后固定形变参数模型的网络参数，即固定
根据Ls损失函数值，进行形变场平滑模型的网络参数反向传播。其中在每次迭代过程中，都使输入两个网络模型的参考图像IF与浮动图像IM相同。执行所述交替优化策略，直到损失函数收敛至最低或迭代达到预先设定好的次数，认为网络参数优化完成，最终得到训练完成的两个网络模型，保存其中的形变场平滑模型作为最终医学图像配准网络模型。
本发明的有益效果：
本发明在医学图像配准任务中引入了额外信息，即从医学图像的预先分割结果中提取出轮廓特征，并利用该特征进行空间变换时的可微性构建损失函数，提高了医学图像的配准精度；提出了一种医学图像配准的网络框架，将网络模型分为了形变参数模型和形变场平滑模型两个部分，形变参数模型可以构建对应像素之间精确的变形，形变场平滑模型用于对构建的形变场进行平滑性约束；交替优化的策略保证模型最终能收敛至更为平滑的形变场，得到更精确的配准结果。
附图说明
图1为本发明所述的一种基于深度学习与轮廓特征的医学图像配准方法的流程图。
图2为本发明所述的一种基于深度学习与轮廓特征的医学图像配准方法的训练阶段网络框架图，图2中所示黑色实线表示形变参数模型计算过程，黑色虚线表示形变场平滑模型计算过程，灰色实线表示形变参数模型优化过程的损失函数，灰色虚线表示形变场平滑模型优化过程的损失函数。
图3为本发明所述的一种基于深度学习与轮廓特征的医学图像配准方法的预测阶段网络框架图。
具体实施例
为了向本技术领域的研究人员进一步地阐释本发明，以下结合本发明的附图和技术方案，对本发明具体实施例进行完整、详细的描述，显然所描述的实施例只是本发明一部分实施例，而不是全部的实施例。
图1为本发明一个实施例方法的流程图，其包括以下过程：
(1)图像预处理过程：本发明所使用医学图像包括但不限于从公开数据集获取的医学图像、从CT或MRI等医学成像仪器的DICOM接口获取的医学图像，并且对获取的图像进行标注或图像分割处理。本实施例使用LPBA40(The LONI Probabilistic Brain Atlas)数据集中三维人体脑部图像、以及对应图像的图像分割结果。将医学图像进行裁剪、归一化处理以及仿射配准等操作，同时将预先分割标签对标医学图像同样进行裁剪与仿射变换，获得大小为160×192×160的三维医学图像及其对应的分割结果。
(2)轮廓特征提取过程：对医学图像的分割结果，使用Sobel算子对其进行边缘检测，得到医学图像的轮廓特征。
(3)模型初始化过程：构建形变参数模型与形变场平滑模型，其中两个模型都包含下采样过程、上采样过程以及特征图细化过程，形变参数模型需要加入空间变换网络对输入图像与轮廓特征进行空间变换。初始化形变参数模型与形变场平滑模型的参数，使两个模型的参数完全相同。
本实施例中所述下采样过程包含4个下采样步骤，每个下采样步骤包含一个卷积核大小为4的卷积层、以及其后的LeakyReLU激活函数层。
本实施例中所述上采样过程包含4个上采样过程，每个上采样过程交替执行上采样、连接跳跃连接、以及卷积计算，每个卷积计算过程都包含一个卷积核大小为3的卷积层、以及其后的LeakyReLU激活函数层，跳跃连接起到连接下采样与上采样相对应特征图的作用。
本实施例中所述特征图细化过程包括3个使用大小为3的卷积核的卷积层、以及其后的LeakyReLU激活函数层，得到对应输入图像尺寸的形变场。
为了使模型更快地收敛，本实施例中使用经过预训练的模型进行参数初始化。
(4)模型训练过程：
(4.1)在预处理后的图像及其对应的轮廓特征中，选取一对作为参考图像与参考轮廓，其它作为浮动图像与浮动轮廓。
(4.2)将参考图像与其中一幅浮动图像作为形变参数模型的输入，获得形变参数模型预测的形变场，之后将浮动图像与该形变场输入到可微的空间变换网络，同时将浮动图像对应的轮廓特征与该形变场输入到所述空间变换网络，分别经过空间变换网络的空间变换，得到对应变形后的图像及其轮廓特征，所述步骤对应于图2中黑色实线部分。
(4.3)固定形变场平滑模型的网络参数，将参考图像与步骤(4.2)所用浮动图像作为形变场平滑模型的输入，获得形变场平滑模型预测的形变场，所述步骤对应于图2中黑色虚线部分。
(4.4)根据步骤(4.2)与步骤(4.3)的输入与输出，构建所述形变参数模型的损失函数，对其网络参数进行反向传播，所述步骤对应于图2中的灰色实线部分。
(4.5)将参考图像与步骤(4.2)所用浮动图像作为形变场平滑模型的输入，获得形变场平滑模型预测的形变场，所述步骤对应于图2中的黑色实线部分，但不包含其中空间变换网络及其后续步骤。
(4.6)固定形变参数模型的网络参数，将参考图像与步骤(4.2)所用浮动图像作为形变参数模型的输入，获得形变参数模型预测的形变场，所述步骤对应于图2中的黑色虚线部分。
(4.7)根据步骤(4.5)与步骤(4.6)输出的两个形变场，构建所述形变场平滑模型的损失函数，对其网络参数进行反向传播，所述步骤对应于图2中灰色虚线部分。
(5)模型预测过程：在两个模型的损失函数收敛至最低或迭代达到预先设定好的次数后，保存其中的形变场平滑模型作为最终医学图像配准网络模型。将待配准的三维医学图像与参考图像输入该模型进行配准，最终能获得该待配准图像的配准后图像，所述模型的预测过程如图3所示。
Claims (1)
1.一种基于深度学习与轮廓特征的医学图像配准方法，其特征在于，包括如下步骤：
步骤(1)：对医学图像数据集进行预处理，包括图像裁剪、归一化处理以及仿射配准；
步骤(2)：根据图像预先分割结果提取其轮廓特征，构建对于轮廓特征的相似性度量；
步骤(3)：在预处理后的图像及其对应的轮廓特征中，选取一对作为参考图像IF与参考轮廓GF，其它作为浮动图像IM与浮动轮廓GM；
步骤(4)：将参考图像IF与浮动图像IM作为神经网络的输入，并加入其对应的轮廓特征GF和GM作为额外信息辅助训练，构建形变参数模型；将参考图像IF与浮动图像IM作为神经网络的输入，不加入轮廓特征，构建形变场平滑模型；构建形变参数模型和形变场平滑模型的损失函数，交替优化两个网络模型参数；
步骤(5)：将待配准图像与参考图像输入训练好的形变场平滑模型，得到待配准图像的配准结果；
所述步骤(2)包括以下步骤：
(2.1)获取每幅医学图像的分割结果，并将其按相同类别对应同一灰度值的形式存储；
(2.2)对于医学图像的分割结果S，使用Sobel算子对其进行边缘检测，得到医学图像的轮廓特征，也即梯度图像G；Sobel算子包含两个卷积核，分别为横向与纵向卷积核；分别将横向与纵向卷积核同分割结果S做卷积运算，即：
其中，*为卷积运算符，Gx和Gy分别为分割结果横向和纵向的梯度值；
根据所述两个梯度值，计算得到每个分割结果的梯度图像，即轮廓特征，计算公式为：
对于三维医学图像，将上述Sobel算子转换为对应的三维进行运算；
(2.3)基于归一化互相关匹配算法描述轮廓特征相似度；通过在两幅图像I1、I2的相同像素位置x处构建宽度为w的邻域匹配窗口，建立目标函数来度量该对窗口的相关性，其目标函数定义如下：
其中，Ω为像素位置集合，
和
分别为x邻域内的局部灰度平均值，xi表示x邻域内的像素位置；
将步骤(2.2)所得的轮廓特征作为参数计算NCC(G1,G2)，得到每对轮廓特征的相似性度量；
所述步骤(4)包括以下步骤：
(4.1)构建形变参数模型：
(4.1.1)将所述的参考图像IF与一个浮动图像IM在图像通道上进行合并，得到一幅2通道的图像作为神经网络的输入层；
(4.1.2)对网络的输入进行下采样，获得下采样特征图；
(4.1.3)对步骤(4.1.2)所获得下采样特征图进行上采样，获得上采样特征图；
(4.1.4)对上采样特征图进行进一步细化，获得对应浮动图像IM到参考图像IF的形变场φt；
(4.1.5)将浮动图像IM和形变场φt输入到可微的空间变换网络，同时将浮动图像IM对应的轮廓特征GM和形变场φt输入到所述空间变换网络，分别经过空间变换网络的空间变换，得到对应变形后的图像
及其轮廓特征
所述的空间变换网络为STN网络，包含三个组成部分，分别为本地化网络、网格生成器及采样器；STN网络首先使用本地化网络来预测所需的变换，之后使用网格生成器和采样器对图片实施变换；网格生成器采用线性插值方式进行插值；
(4.2)构建形变场平滑模型：构建形变场平滑模型的过程与步骤(4.1.1)至步骤(4.1.4)相同，模型的架构以及初始化参数也与形变参数模型完全相同；输入的参考图像IF与浮动图像IM经过形变场平滑模型的计算，得到对应输入图像尺寸的形变场φs；
(4.3)交替优化网络模型参数：
(4.3.1)根据输入的参考图像IF、形变参数模型预测的形变场φt、形变场平滑模型预测的形变场φs、以及应变形后的图像
及其轮廓特征
构建优化形变参数模型的损失函数；所述损失函数表达式定义如下：
其中，LI表示参考图像IF与变形后的图像
之间的相似性度量，LG表示参考图像IF的轮廓特征GF与浮动图像IM的轮廓特征GM变形后的特征
之间的相似性度量，Ldist表示形变参数模型预测的形变场φt与形变场平滑模型预测的形变场φs之间的L2距离，α、β为控制损失函数的超参数，γ为控制两形变场之间差异的超参数，表示允许形变场存在的不确定性程度；
对于损失函数中的相似性度量LI与LG，同时采用步骤(2.3)所述归一化互相关函数；对于损失函数中的L2距离Ldist，采用均值平方差损失，所述损失函数定义如下：
其中，Ω为像素位置集合，x为图像I1、I2的相同像素位置；
(4.3.2)根据步骤(4.3.1)得到的形变参数模型预测的形变场φt以及形变场平滑模型预测的形变场φs，构建优化形变场平滑模型的损失函数；所述损失函数表达式定义如下：
Ls(φt,φs)＝γLdist(φt,φs)+σLR(φs)
其中，Ldist表示形变参数模型预测的形变场φt与形变场平滑模型预测的形变场φs之间的L2距离，LR表示正则项损失，γ为控制两形变场之间差异的超参数，σ为正则化控制参数；
对于损失函数中的L2距离Ldist，采用步骤(4.3.1)所述的均值平方差损失；对于损失函数中的正则项损失LR，定义如下：
其中，m表示像素位置x处的位移；对于三维图像表示为
(4.3.3)在初始化情况下，使形变参数模型与形变场平滑模型参数完全相同，即
之后执行交替优化的策略；在一次迭代过程中，固定形变场平滑模型的网络参数，即固定
其中i表示迭代次数，根据Lt损失函数值，进行形变参数模型的网络参数反向传播；再之后固定形变参数模型的网络参数，即固定
根据Ls损失函数值，进行形变场平滑模型的网络参数反向传播；其中在每次迭代过程中，都使输入两个网络模型的参考图像IF与浮动图像IM相同；执行所述交替优化策略，直到损失函数收敛至最低或迭代达到预先设定好的次数，认为网络参数优化完成，最终得到训练完成的两个网络模型，保存其中的形变场平滑模型作为最终医学图像配准网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111643250.3A CN114332018A (zh) | 2021-12-29 | 2021-12-29 | 一种基于深度学习与轮廓特征的医学图像配准方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111643250.3A CN114332018A (zh) | 2021-12-29 | 2021-12-29 | 一种基于深度学习与轮廓特征的医学图像配准方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114332018A true CN114332018A (zh) | 2022-04-12 |
Family
ID=81016958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111643250.3A Pending CN114332018A (zh) | 2021-12-29 | 2021-12-29 | 一种基于深度学习与轮廓特征的医学图像配准方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114332018A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116958217A (zh) * | 2023-08-02 | 2023-10-27 | 德智鸿(上海)机器人有限责任公司 | 一种mri与ct多模态3d自动配准方法及装置 |
-
2021
- 2021-12-29 CN CN202111643250.3A patent/CN114332018A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116958217A (zh) * | 2023-08-02 | 2023-10-27 | 德智鸿(上海)机器人有限责任公司 | 一种mri与ct多模态3d自动配准方法及装置 |
| CN116958217B (zh) * | 2023-08-02 | 2024-03-29 | 德智鸿(上海)机器人有限责任公司 | 一种mri与ct多模态3d自动配准方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fan et al. | Adversarial learning for mono-or multi-modal registration | |
| Li et al. | Non-rigid image registration using self-supervised fully convolutional networks without training data | |
| CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
| CN111091589B (zh) | 基于多尺度监督学习的超声和核磁图像配准方法及装置 | |
| Li et al. | Non-rigid image registration using fully convolutional networks with deep self-supervision | |
| Mishra et al. | A GA based approach for boundary detection of left ventricle with echocardiographic image sequences | |
| CN111640120A (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
| Tang et al. | Tongue contour tracking in dynamic ultrasound via higher-order MRFs and efficient fusion moves | |
| Qu et al. | Depth completion via deep basis fitting | |
| Zhu et al. | Neurreg: Neural registration and its application to image segmentation | |
| CN112102373A (zh) | 一种基于强约束仿射形变特征学习的颈动脉多模态图像配准方法 | |
| CN112215844A (zh) | 基于ACU-Net的MRI多模态图像分割方法和系统 | |
| CN103793904A (zh) | 图像配准装置及其图像配准的方法 | |
| Zhu et al. | Test-time training for deformable multi-scale image registration | |
| Santiago et al. | A new ASM framework for left ventricle segmentation exploring slice variability in cardiac MRI volumes | |
| CN114359642A (zh) | 基于一对一目标查询Transformer的多模态医学图像多器官定位方法 | |
| CN117274599A (zh) | 一种基于组合双任务自编码器的脑磁共振分割方法及系统 | |
| CN115578427A (zh) | 基于深度学习的无监督单模态医学图像配准方法 | |
| Czolbe et al. | Semantic similarity metrics for learned image registration | |
| CN112132878A (zh) | 基于卷积神经网络的端到端大脑核磁共振图像配准方法 | |
| CN115496720A (zh) | 基于ViT机制模型的胃肠癌病理图像分割方法及相关设备 | |
| CN112419343A (zh) | 用于图像分割的系统和方法 | |
| US20230289984A1 (en) | Automatic mr-us prostate image fusion through semi-supervised constrained learning | |
| Taher et al. | Precise cerebrovascular segmentation | |
| CN114332018A (zh) | 一种基于深度学习与轮廓特征的医学图像配准方法 |
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 |