医学图像处理方法、装置及设备与流程

【技术领域】

本方案涉及医学图像处理领域，尤其涉及一种医学图像处理方法、装置及设备。

背景技术：

医学影像技术是医学放射诊断学中较为活跃的研究领域之一，x线成像技术是医学成像的主要技术。在数字x线成像技术中，间接数字化x线成像(computedradiography，cr)和数字摄影(digitalradiography，dr)同时结合了计算机数字图像处理技术与x射线放射技术，具有辐射剂量小、影像质量高、疾病的检出率和诊断的准确性较高等优点。。

在应用中，经常需要对同一目标的不同时间采集的医学图像进行配准处理。现有的医学图像配准多采用刚体配准或者基于多项式的拟合配准方法。这种配准方法可以大致实现医学图像的对齐，例如配准目标主结构的对齐。但是，这种配准方法无法将配准目标中的微细结构对齐，因此对于含有较多微细结构的组织，配准的精度较低。

在实现本方案过程中，发明人发现现有技术中至少存在如下问题：

现有的医学图像配准方法无法将配准目标中的微细结构对齐，因此对于含有较多微细结构的组织，导致配准的精度较低。

技术实现要素：

有鉴于此，本方案实施例提供了一种医学图像处理方法、装置及设备，用以解决现有技术中无法将配准目标中的微细结构对齐，因此对于含有较多微细结构的组织，导致配准的精度较低的问题。

第一方面，本方案实施例提供一种医学图像处理方法，所述方法包括：

获取指定目标的第一医学图像和第二医学图像，所述第二医学图像的成像时间与所述第一医学图像的成像时间不同；

基于第一空间变换模型，将所述第二医学图像配准至所述第一医学图像，得到与所述第二医学图像对应的第一配准图像；

基于第二空间变换模型，利用非监督深度学习的配准方法将所述第一配准图像配准至所述第一医学图像，得到与所述第一配准图像对应的第二配准图像。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，基于第二空间变换模型，利用非监督深度学习的配准方法将所述第一配准图像配准至所述第一医学图像，得到与所述第一配准图像对应的第二配准图像，包括：

建立非监督深度学习模型，并根据所述非监督深度学习模型对所述第一医学图像和所述第一配准图像中的指定像素点进行训练，得到所述指定像素点的特征信息；

根据所述指定像素点的特征信息，确定所述第二空间变换模型的参数；

根据所述第二空间变换模型的参数，对所述第一配准图像进行所述第二空间变换模型对应的变换，得到所述第二配准图像。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述非监督深度学习模型采用栈式自编码训练方式，得到所述指定像素点的特征信息。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述第二空间变换模型的参数为第二空间变换模型的形变场；

根据所述指定像素点的特征信息，确定所述第二空间变换模型的参数，包括：

根据所述指定像素点的特征信息，采用置信度传播方法获取所述指定像素点的四邻域信息；

基于所述指定像素点的四邻域信息，进行至少一次置信度传播，并获取置信度传播后所述指定像素点的信任向量；

根据所述指定像素点的信任向量，确定所述指定像素点在所述第一配准图像相对所述第一医学图像的偏移值；

基于所述指定像素点在所述第一配准图像相对所述第一医学图像的偏移值，确定所述第二空间变换模型的形变场。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述置信度传播至少为20次。

第一医学图像第一医学图像第二医学图像第一医学图像第二医学图像

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述方法还包括：

将所述第一医学图像与所述第二配准图像进行相减处理，获得所述第一医学图像与所述第二医学图像的减影图像。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述方法还包括：

从所述第一医学图像确定第一选定区域，并计算所述第一选定区域中灰度值处于设定范围的第一像素点数目；

从所述第二配准图像确定与所述第一选定区域相对应的第一对应区域，并计算所述第一对应区域中灰度值处于所述设定范围的第二像素点数目；

根据所述第一像素点数目、所述第二像素点数目，获取所述第一医学图像相对所述第二医学图像像素点发生变化的数目。

第二方面，本方案实施例提供一种医学图像处理装置，所述装置包括：

获取模块，用于获取指定目标的第一医学图像和第二医学图像，所述第二医学图像的成像时间与所述第一医学图像的成像时间不同；

第一配准模块，用于基于第一空间变换模型，将所述第二医学图像配准至所述第一医学图像，得到与所述第二医学图像对应的第一配准图像；

第二配准模块，用于基于第二空间变换模型，利用非监督深度学习的配准方法将所述第一配准图像配准至所述第一医学图像，得到与所述第一配准图像对应的第二配准图像。

第三方面，本方案实施例提供一种医学图像处理设备，所述设备包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器被配置为：

获取指定目标的第一医学图像和第二医学图像，所述第二医学图像的成像时间与所述第一医学图像的成像时间不同；

基于第一空间变换模型，将所述第二医学图像配准至所述第一医学图像，获取与所述第二医学图像对应的第一配准图像；

基于第二空间变换模型，利用非监督深度学习的配准方法将所述第一配准图像配准至所述第一医学图像，得到与所述第一配准图像对应的第二配准图像。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述处理器还被配置为：

将所述第一医学图像与所述第二配准图像进行相减处理，获得所述第一医学图像与所述第二医学图像的减影图像。

本发明实施例，通过获取指定目标的不同时间采集的第一医学图像和第二医学图像，将第二医学图像配准至第一医学图像，得到与第二医学图像对应的第一配准图像之后，进一步利用非监督深度学习的配准方法将第一配准图像配准至第一医学图像，将指定目标中的微细结构对齐，减少了伪影，因此提高了配准结果的精度，特别是对于含有较多微细结构的组织，能够得到更好的配准效果。

【附图说明】

为了更清楚地说明本方案实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本方案的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的医学图像处理方法的第一流程示例图。

图2为本发明实施例提供的医学图像处理方法的第二流程示例图。

图3为本发明实施例提供的医学图像处理方法的第三流程示例图。

图4(a)是同一人体胸部的过去x光图像和现在x光图像的示例图。

图4(b)是图4(a)中现在x光图像与过去x光图像的减影图像。

图5为本发明实施例提供的医学图像处理装置的功能方块图。

图6是医学图像处理设备的简化框图。

【具体实施方式】

为了更好的理解本方案的技术方案，下面结合附图对本方案实施例进行详细描述。

应当明确，所描述的实施例仅仅是本方案一部分实施例，而不是全部的实施例。基于本方案中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本方案保护的范围。

在本方案实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本方案。在本方案实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

实施例一

本发明实施例提供了一种医学图像处理方法。该医学图像处理方法可以通过应用程序app来实现，计算机、医用工作站等终端可以通过安装该应用程序获取相应的医学图像处理功能。

图1为本发明实施例提供的医学图像处理方法的第一流程示例图。如图1所示，本实施例中，医学图像处理方法可以包括如下步骤：

s101，获取指定目标的第一医学图像和第二医学图像，第二医学图像的成像时间与第一医学图像的成像时间不同。

s102，基于第一空间变换模型，将第二医学图像配准至第一医学图像，得到与第二医学图像对应的第一配准图像。

s103，基于第二空间变换模型，利用非监督深度学习的配准方法将第一配准图像配准至第一医学图像，得到与第一配准图像对应的第二配准图像。

其中，指定目标可以是人体的一个器官或者部位，例如人体的器官可以是病人的肺部、心脏、肾脏等，人体的部位可以是病人的头部、胸部、腹部、盆腔等。

可选地，第一医学图像和第二医学图像是关于同一指定目标的医学图像，第二医学图像的成像时间早于第一医学图像的成像时间，第一医学图像的成像时间与第二医学图像的成像时间间隔一般不小于24小时。例如：第二医学图像是一个病人过去时段经数字x线成像设备检查生成的肺部x光图像(又称过去时刻x光图像)；第一医学图像是同一个病人现在时段/当前时段经数字x线成像设备检查生成的肺部x光图像(又称现在时段x光图像)。可选地，过去时段与现在时刻数字x线成像时，病人的呼气态、吸气态可能不一致，如第一医学图像对应的成像数据可在病人吸气时采集，第二医学图像对应的成像数据可在病人呼气时采集，由此导致基于不同成像数据获取的第一医学图像与第二医学图像可能存在形变。又或者，过去时段可以是病人治疗之前，现在时段可以是病人进行治疗之后；当然，过去时段可以是病人刚治疗完成时，现在时段可以是病人治疗完成后一段时间，这段时间病人的身体状态可能会发生变化

需要说明的是，第一医学图像和/或第二医学图像还可以是可以是计算机断层扫描(ct)图像、磁共振(mr)图像、超声(us)图像或者正电子发射断层(pet)图像等。当第一医学图像和第二医学图像为mr图像，两图像的拍摄/采集时间间隔可以是1个月、2个月、3个月、一年或者更长时间；当第一医学图像和第二医学图像为pet图像，两图像的拍摄/采集时间间隔可以是3个月、4个月、5个月、一年或者更长时间；当第一医学图像和第二医学图像为ct图像，考虑对人体辐射剂量的影响，两图像的拍摄/采集时间间隔通常大于6个月。

又例如，过去时刻与现在时刻数字x线成像时，病人与数字x线成像设备的相对位置无法保证完全一致，如：第一医学图像对应的成像数据采集时，病人的身体中心位置正对数据x射线成像设备的中心位置；第二医学图像对应的成像数据采集时，病人的身体中心位置与数据x射线成像设备的中心位置存在一定的位置偏移，此导致基于不同成像数据获取的第一医学图像与第二医学图像可能存在位置偏移或形变。

可选地，数字x线成像设备可以是cr或dr。在一个实施例中，数字x线成像设备为c形臂dr，该c形臂dr包括用于发射x射线的x射线球管、接收经过病人指定目标的x射线的探测器以及用于重建指定目标对应成像数据的x射线图像。可选地，c形臂可设置成移动式、悬吊式或者落地式。

其中，第一医学图像是配准过程中的参考图像，第二医学图像是配准过程中第一次配准的浮动图像。

其中，第一医学图像和第二医学图像为二维图像。

其中，第二医学图像的成像时间与第一医学图像的成像时间不同。例如，第一医学图像是现在采集的病人甲肺部的x光图像，第二医学图像是过去某个时间采集的病人甲肺部的x光图像。

其中，s102中，将第二医学图像配准至第一医学图像可以采用基于下降单纯形和互信息的affine配准。affine配准能够克服形变较大的问题，将第一医学图像和第二医学图像的绝大部分像素点进行匹配，从而使得这两幅图像的主结构对齐，因此能够提高配准的精度。

需要说明的是，基于下降单纯形和互信息的affine配准仅仅是s102可以采用的一种具体配准方式，在本发明其他实施例中，也可以采用其他配准方法来实现s102中的配准，本发明对s102中可以采用的具体配准方法不作限制。

其中，s103中，利用非监督深度学习的配准方法将第一配准图像配准至第一医学图像，可以采用基于非监督深度学习的光流配准。这一步配准能够将第一医学图像和第二医学图像的指定细微结构进行对齐，减少伪影，因此能够提高配准的精度。

图1所示实施例，通过获取指定目标的不同时间采集的第一医学图像和第二医学图像，将第二医学图像配准至第一医学图像，得到与第二医学图像对应的第一配准图像之后，进一步利用非监督深度学习的配准方法将第一配准图像配准至第一医学图像，将指定目标中的微细结构对齐，减少了伪影，因此提高了配准结果的精度，特别是对于含有较多微细结构的组织，能够得到更好的配准效果。

其中，对图像的配准通过图像配准算法实现。图像配准算法主要包括三个部分，即空间变换模型、相似性测度、最优化方法。在医学图像配准中，首先根据实际的配准需求选择一种空间变换模型，然后再根据实际需求选择合适的相似性测度和最优化方法。

在一个示例性地实现过程中，基于第二空间变换模型，利用非监督深度学习的配准方法将第一配准图像配准至所述第一医学图像，得到与第一配准图像对应的第二配准图像，包括：建立非监督深度学习模型，并根据非监督深度学习模型对第一医学图像和第一配准图像中的指定像素点进行训练，得到指定像素点的特征信息；根据指定像素点的特征信息，确定第二空间变换模型的参数；根据第二空间变换模型的参数，对第一配准图像进行第二空间变换模型对应的变换，得到第二配准图像。

在一个示例性地实现过程中，非监督深度学习模型采用sae(stackedauto-encodernetwork，栈式自编码)训练方式，得到指定像素点的特征信息。

在一个示例性地实现过程中，第二空间变换模型的参数为第二空间变换模型的形变场；根据指定像素点的特征信息，确定第二空间变换模型的参数，可以包括：根据指定像素点的特征信息，采用置信度传播方法获取指定像素点的四邻域信息；基于指定像素点的四邻域信息，进行至少一次置信度传播，并获取置信度传播后指定像素点的信任向量；根据指定像素点的信任向量，确定指定像素点在所述第一配准图像相对第一医学图像的偏移值；基于指定像素点在第一配准图像相对第一医学图像的偏移值，确定第二空间变换模型的形变场。

在一个示例性地实现过程中，置信度传播可以至少为20次。在一个示例性地实现过程中，医学图像处理方法还可以包括：从第一医学图像确定第一选定区域，并计算第一选定区域中灰度值处于设定范围的第一像素点数目；从第二配准图像确定与第一选定区域相对应的第一对应区域，并计算第一对应区域中灰度值处于设定范围的第二像素点数目；根据第一像素点数目、第二像素点数目，获取第一医学图像相对第二医学图像像素点发生变化的数目。

例如，选定第一医学图像中较亮(灰度值处于设定范围如10-30)的区域作为第一选定区域，并自动计算该第一选定区域的体积(像素数目)；同时，通过上述配准过程，可确定第二配准图像(对应第二医学图像)中的第一对应区域，并可自动计算第一对应区域中像素值同样处于设定灰度值范围内的像素点数目或体积。进一步地，比较第一医学图像中选定区域的体积以及第二配准图像中对应区域的像素的体积，获取该第一医学图像中选定区域的灰度值发生变化的像素点数目或第一医学图像中选定区域体积的变化。

图2为本发明实施例提供的医学图像处理方法的第二流程示例图。如图2所示，本实施例中，医学图像处理方法可以包括如下步骤：

s201，获取指定目标的第一医学图像和第二医学图像，第二医学图像的成像时间与第一医学图像的成像时间不同。

s202，基于第一空间变换模型，将第二医学图像配准至第一医学图像，得到与第二医学图像对应的第一配准图像。

s203，基于第二空间变换模型，利用非监督深度学习的配准方法将第一配准图像配准至第一医学图像，得到与第一配准图像对应的第二配准图像。

s204，根据第二配准图像获取第一医学图像的选定区域相对第二医学图像像素点发生变化的数目。

示例性地，包括如下步骤：从第一医学图像确定第一选定区域，该第一选定区域为医生等操作者选定，并计算第一选定区域中灰度值处于设定范围的第一像素点数目；从第二配准图像确定与第一选定区域相对应的第一对应区域，并计算第一对应区域中灰度值处于所述设定范围的第二像素点数目；根据第一像素点数目、第二像素点数目，获取第一医学图像(选定区域)相对第二医学图像像素点发生变化的数目。当然，采用上述方法，还可从第一医学图像确定第二、三选定区域或者其他任意区域，计算第一医学图像的选定区域相对第二医学图像像素点发生变化的数目。

在上述实施例中，例如可选定第一医学图像中较亮(灰度值处于设定范围如10-30)的区域作为第一选定区域，并自动计算该第一选定区域的体积(像素数目)；同时，通过上述配准过程，可确定第二配准图像(对应第二医学图像)中的第一对应区域，并可自动计算第一对应区域中像素值同样处于设定灰度值范围内的像素点数目或体积。

图3为本发明实施例提供的医学图像处理方法的第三流程示例图。如图3所示，本实施例中，医学图像处理方法可以包括如下步骤：

s301，获取指定目标的第一医学图像和第二医学图像，第二医学图像的成像时间与第一医学图像的成像时间不同。

s302，基于第一空间变换模型，将第二医学图像配准至第一医学图像，得到与第二医学图像对应的第一配准图像。

s303，基于第二空间变换模型，利用非监督深度学习的配准方法将第一配准图像配准至第一医学图像，得到与第一配准图像对应的第二配准图像。

s304，将第一医学图像与第二配准图像进行相减处理，获得第一医学图像与第二医学图像的减影图像。

其中，减影是将不同时间采集的同一部位或器官的医学图像之间的时间间隔变化可视化的一种手段。

医学图像在存储时可包含病人的身份信息，该身份信息可以包括病人的身高、体重、医保账号、身份证号码等可唯一确定患者身份的信息。

在采集到医学图像数据后，可以先将医学图像数据存储到存储设备中，例如存储在云服务器或者医疗设备服务器上。在需要时，可以从存储设备中获取这些医学图像数据，然后根据本发明实施例提供的方法流程进行处理。

例如，病人在医院a拍摄到x光图像a11后，存储在云服务器或者医疗设备服务器上；病人在医院b拍摄到x光图像a12后，同样上传至云服务器或者医疗设备服务器上。在该病人就诊时，医师可远程调用存储在云服务器上的x光图像a11和x光图像a12，并在本地服务器运行图2所示的处理过程，得到x光图像a11和x光图像a12的减影图像。由于在s303中，利用非监督深度学习的配准方法将第一配准图像配准至第一医学图像，将第一医学图像和第二医学图像的指定细微结构进行对齐，减少了伪影，提高了配准的精度，因此在此基础上的减影效果更好。

s305，显示减影图像，或者，并排显示第一医学图像、第二医学图像和减影图像。

图3所示实施例，在获得减影图像之后，可以显示减影图像(例如将减影图像成行或成列显示)，以便于用户对减影图像进行查看或存储。

图3所示实施例，在获得减影图像之后，还可以并排显示第一医学图像、第二医学图像和减影图像，不仅便于用户对减影图像进行查看或存储，还便于用户在查看研究减影图像的同时对照查看原始图像的相关内容。

下面通过示例来对本发明实施例的医学图像处理方法作进一步说明。

本示例中，假设第一医学图像为病人乙现在的肺部x光图像，记为图像a；第二医学图像为病人乙过去某个时刻的肺部x光图像，记为图像b。那么，图像a与图像b的处理过程如下：

a1，获取图像a和图像b。

a2，采取基于下降单纯形的affine配准对图像b进行全局粗配准，以使两图像中的肺部对齐，获得配准图像b1。

其中，步骤a2可以包括如下子步骤：

a21，在图像a中抽取感兴趣的像素点，即抽样点，此处，抽样点为图像a中随机提取的5万个像素点/感兴趣像素点。

a22，根据下降单纯形的优化算法，设置初始解的解空间，二维affine变换的解空间为7个。

a23，根据a21抽取的抽样点和二维affine变换公式，计算解空间中每个解的互信息测度值。

a24，根据a23计算所得的互信息测度值，按照下降单纯形算法的更新规则，更新解空间。

a25，验证是否满足下降单纯形的收敛条件，如果不收敛，返回步骤a23，如果收敛，说明更新后解空间中解为下降单纯形获得的最优解，执行步骤a26。

a26，将下降单纯形获得的最优解作为affine变换的最佳参数，根据affine变换的最佳参数和二维affine变换公式，对图像b进行affine变换，得到图像b1。

其中，二维affine变换公式如下：

公式(1)中，x′、y′为affine变换之后的像素空间坐标，x、y为变换之前的坐标，a11、a12、a21、a22、tx、ty为affine变换参数。

a3，采用基于非监督深度学习的光流场变换模型对图像b1进行局部结构精配准，得到图像b2。

其中，步骤a3可以包括如下子步骤：

a31，在图像a和图像b1这两个图像中，以感兴趣像素点为中心，提取patch作为深度学习的训练样本，经过sae训练获取每个像素点的特征信息。

a32，采用基于mrf(markovrandomfields,马尔科夫随机场)的bp(beliefpropagation，置信度传播)算法，基于第一步所获得的每个像素点特征，计算每个像素点的四邻域空间信息，然后进行置信度传播，计算每次传播的信任向量。经过t次传播后(t可以是100)，计算每个像素点的信任向量，信任向量中最小的元素，就是该像素点的偏移值，从而获得整幅图像的形变场。为了提高bp寻优的速度，可以采取多分辨率寻优策略，采取从粗到精的寻优模式。

这里，对基于mrf的bp算法进行说明。

一般mrf的能量可以表示为公式(2)的形式：

公式(2)中，第一项表示将编号(label)fp赋给p的代价，第二项衡量把编号fp和fq同时附给两个邻居节点p和q的代价。p表示mrf中所有的节点，n表示邻居(neighbor)，在图像中为4邻域，或8邻域。如果用bp算法中max-product的方法，则节点之间传送的消息(message)的公式可表示成公式(3)：

初始化时(即t＝0时)，可以令每个消息m为0。

bp的过程如下：

(1)针对每个节点p，计算其向邻域q传播的信息。先确定q的值，然后在p的取值空间中计算寻找使message最小的p。

(2)在经过消息传播t遍后，就可以计算每个节点p的信任向量了，对每个节点p，bq(fq)向量中最小的元素对应的fq就是节点q在mrf中的解。计算公式如下：

a33，将bp算法获得的形变场最优解作为光流场变换模型的参数，对图像b1进行光流场变换，得到图像b2。

a5，将图像a与图像b2进行相减，获得减影图像c。

其中，同一人体胸部的过去x光图像和现在x光图像的示例图如图4(a)所示，图4(a)中现在时刻x光图像与过去时刻x光图像的减影图像如图4(b)所示。

本发明实施例提供的医学图像处理方法，通过获取指定目标的不同时间采集的第一医学图像和第二医学图像，将第二医学图像配准至第一医学图像，得到与第二医学图像对应的第一配准图像之后，进一步利用非监督深度学习的配准方法将第一配准图像配准至第一医学图像，将指定目标中的微细结构对齐，减少了伪影，因此提高了配准结果的精度，特别是对于含有较多微细结构的组织，能够得到更好的配准效果。

实施例二

本发明实施例提供了一种医学图像处理装置，该医学图像处理装置能够实现前述实施例中医学图像处理方法的各步骤。

图5为本发明实施例提供的医学图像处理装置的功能方块图。如图5所示，本实施例中，医学图像处理装置包括：

获取模块510，用于获取指定目标的第一医学图像和第二医学图像，第二医学图像的成像时间与第一医学图像的成像时间不同；

第一配准模块520，用于基于第一空间变换模型，将第二医学图像配准至第一医学图像，得到与第二医学图像对应的第一配准图像；

第二配准模块530，用于基于第二空间变换模型，利用非监督深度学习的配准方法将第一配准图像配准至第一医学图像，得到与第一配准图像对应的第二配准图像。

在一个示例性地实现过程中，第二配准模块530在用于基于第二空间变换模型，利用非监督深度学习的配准方法将第一配准图像配准至第一医学图像，得到与第一配准图像对应的第二配准图像时，可以用于：建立非监督深度学习模型，并根据非监督深度学习模型对第一医学图像和第一配准图像中的指定像素点进行训练，得到指定像素点的特征信息；根据指定像素点的特征信息，确定第二空间变换模型的参数；根据第二空间变换模型的参数，对第一配准图像进行第二空间变换模型对应的变换，得到第二配准图像。

在一个示例性地实现过程中，非监督深度学习模型采用栈式自编码训练方式，得到指定像素点的特征信息。

在一个示例性地实现过程中，第二空间变换模型的参数为第二空间变换模型的形变场；第二配准模块530在用于根据指定像素点的特征信息，确定第二空间变换模型的参数时，可以用于：根据指定像素点的特征信息，采用置信度传播方法获取指定像素点的四邻域信息；基于指定像素点的四邻域信息，进行至少一次置信度传播，并获取置信度传播后指定像素点的信任向量；根据指定像素点的信任向量，确定指定像素点在第一配准图像相对第一医学图像的偏移值；基于指定像素点在第一配准图像相对第一医学图像的偏移值，确定第二空间变换模型的形变场。在一个示例性地实现过程中，置信度传播可以至少为20次。

在一个示例性地实现过程中，医学图像处理装置还可以包括：减影模块，用于将第一医学图像与第二配准图像进行相减处理，获得第一医学图像与第二医学图像的减影图像。

在一个示例性地实现过程中，医学图像处理装置还可以包括：显示模块，用于显示减影图像，或者，并排显示第一医学图像、第二医学图像和减影图像。

在一个示例性地实现过程中，医学图像处理装置还可以包括：第一选择模块，用于从第一医学图像确定第一选定区域，并计算第一选定区域中灰度值处于设定范围的第一像素点数目；第二选择模块，用于从第二配准图像确定与第一选定区域相对应的第一对应区域，并计算第一对应区域中灰度值处于设定范围的第二像素点数目；根据第一像素点数目、第二像素点数目，获取第一医学图像相对第二医学图像像素点发生变化的数目。

由于本实施例中的医学图像处理装置能够执行前述实施例一中的医学图像处理方法，本实施例未详细描述的部分，可参考对前述实施例一中医学图像处理方法的相关说明。

本发明实施例提供的医学图像处理装置，通过获取指定目标的不同时间采集的第一医学图像和第二医学图像，将第二医学图像配准至第一医学图像，得到与第二医学图像对应的第一配准图像之后，进一步利用非监督深度学习的配准方法将第一配准图像配准至第一医学图像，将指定目标中的微细结构对齐，减少了伪影，因此提高了配准结果的精度，特别是对于含有较多微细结构的组织，能够得到更好的配准效果。

实施例三

本发明实施例提供一种医学图像处理设备，可选地，医学图像处理设备可以是计算机。该设备可包括：处理器；用于存储处理器可执行指令的存储器；处理器被配置为：获取指定目标的第一医学图像和第二医学图像，第二医学图像的成像时间与第一医学图像的成像时间不同；基于第一空间变换模型，将第二医学图像配准至第一医学图像，得到与第二医学图像对应的第一配准图像；基于第二空间变换模型，利用非监督深度学习的配准方法将第一配准图像配准至第一医学图像，得到与第一配准图像对应的第二配准图像。

图6是医学图像处理设备的简化框图。参见图6，该医学图像处理设备600可以包括与一个或多个数据存储工具连接的处理器601，该数据存储工具可以包括存储介质606和内存单元604。医学图像处理设备600还可以包括输入接口605和输出接口607，用于与另一装置或系统进行通信。被处理器601的cpu执行的程序代码可存储在内存单元604或存储介质606中。

医学图像处理设备600中的处理器601调用存储在内存单元604或存储介质606的程序代码，执行下面各步骤：

获取指定目标的第一医学图像和第二医学图像，第二医学图像的成像时间与第一医学图像的成像时间不同；

基于第一空间变换模型，将第二医学图像配准至第一医学图像，得到与第二医学图像对应的第一配准图像；

基于第二空间变换模型，利用非监督深度学习的配准方法将第一配准图像配准至第一医学图像，得到与第一配准图像对应的第二配准图像。

可选地，处理器还可执行如下操作：根据第二配准图像获取第一医学图像的选定区域相对第二医学图像像素点发生变化的数目。或者，处理器进一步地执行如下操作：将第一医学图像与第二配准图像进行相减处理，获得第一医学图像与第二医学图像的减影图像。

在一个示例性地实现过程中，医学图像处理设备600还可包括鼠标、键盘等输入设备和显示器等输出设备，且输入、输出设备分别与处理器连接。通过鼠标等输入设备可在医学图像上确定选定区域，通过显示器等输出设备可显示处理器获得的第一医学图像的选定区域相对第二医学图像像素点发生变化的数目等量化结果，或者显示减影图像、第一医学图像、第二医学图像等中的一个或多个。

上述实施例中，存储介质可以是只读存储器(read-onlymemory，rom)，或是可读写的，例如硬盘、闪存。内存单元可为随机存取存储器(randomaccessmemory，ram)。内存单元可与处理器物理集成或集成在存储器中或构建为单独的单元。

处理器为上述设备(该设备为上述服务器或者上述客户端)的控制中心，并提供处理装置，用于执行指令，进行中断操作，提供计时功能以及多种其他功能。可选地，处理器包括一个或多个中央处理单元(cpu)，例如图6中示出的cpu0和cpu1。上述设备中包括一个或者多个的处理器。处理器可为单核(单cpu)处理器或多核(多cpu)处理器。除非另有声明，描述为用于执行任务的例如处理器或存储器的部件可实现为通用部件，其暂时用于在给定时间执行任务，或实现为专门制造用于执行该任务的特定部件。此处所用的术语“处理器”指一个或多个装置，电路和/或处理核，用于处理数据，例如计算机程序指令。

被处理器的cpu执行的程序代码可存储在内存单元或存储介质中。可选地，存储在存储介质中的程序代码可以被复制入内存单元以便处理器的cpu执行。处理器可执行至少一个内核(例如linux^tm、unix^tm、windows^tm、android^tm、ios^tm)，众所周知，该内核用于通过控制其他程序或过程的执行、控制与外围装置的通信以及控制计算机设备资源的使用来控制上述设备的操作。

上述设备中的上述元件可通过总线彼此连接，总线例如数据总线、地址总线、控制总线、扩展总线和局部总线之一或其任意组合。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本方案所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本方案各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

以上所述仅为本方案的较佳实施例而已，并不用以限制本方案，凡在本方案的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本方案保护的范围之内。