技术特征：
1.一种基于深度学习的医学图像配准方法，其特征在于，包括如下后：s1获得一组医学图像，一张为固定图像，另一张为浮动图像；s2固定图像和浮动图像送入网络模型，浮动图像传入一个级联的卷积网络，固定图像传入另一个级联的卷积网络，每条管道包含三个卷积网络，分别提取两张图像的高维特征；然后将两组高维特征合并和重组后输入变压器网络(transformer)，输出的特征再输入另一个卷积网络，输出变形场；s3用变形场对浮动图像进行样条插值变换得到变形图像；s4先用固定图像和变形图像计算相似度，再用变形场计算正则项，相似度和正则项的线性组合形成损失函数；s5对每组图像的损失函数计算梯度，并对梯度进行平滑处理，再反向传播到各级网络的参数中，更新网络参数，对整个网络模型进行训练，完成网络模型的训练后，保存网络模型和训练后的网络参数；s6将新的一组浮动图像和固定图像传入网络模型，使用训练后的网络参数生成变形场，并基于变形场对浮动图像进行样条插值变换，得到配准后的变形图像。2.根据权利要求1所述的方法，其特征在于，步骤s1中所述固定图像和浮动图像是三维图像，两张图像大小相等，对应的变形场为三维三通道矩阵，变形场的长宽高与固定图像和浮动图像相等。3.根据权利要求1所述的方法，其特征在于，步骤s1中所述固定图像和浮动图像是二维图像，两张图像大小不相等，对应的变形场为二维两通道矩阵，变形场的长宽与浮动图像的长宽相等。4.根据权利要求1所述的方法，其特征在于，步骤s2中所述网络模型包括六个卷积网络、一个变压器网络、两个全连接网络和一个输出层；所述固定图像传入三个卷积网络级联的管道，所述浮动图像传入另外三个卷积网络级联的管道；两个管道输出的特征经过合并和重组后输入变压器网络进一步提取具有自注意力的高维特征，然后再将特征输入两个全连接和一个输出层；输出层为一维向量具有12个参数，分别表示仿射变换中的3个平移量、3个旋转量、3个剪切量和3个尺度量，最后由所述参数计算生成变形场。5.根据权利要求1所述的方法，其特征在于，步骤s2中所述网络模型包括九个卷积网络、四个卷积上采样网络、一个变压器网络；所述固定图像传入三个卷积网络级联的管道，所述浮动图像传入另外三个卷积网络级联的管道；两个管道输出的特征经过合并和重组后输入变压器网络；输出的特征再经过重组后，输入两个级联的卷积网络进一步提取合并后的特征，再往后连接四个级联的卷积上采样网络，每一个上采样网络和之前相同维度的一对卷积网络跳跃连接，合并之前的低维特征；最后再接一个卷积网络获得一个与浮动图像尺寸相同的变形场。6.根据权利要求1所述的方法，其特征在于，步骤s3中所述样条插值变换优选b样条插值变换，作为替代可以是薄板样条插值变换、三次样条插值变换或线性插值变换等。7.根据权利要求1所述的方法，其特征在于，步骤s4中所述相似度优选互相关函数，所述正则项优选变形场的扩散函数，公式如下：
其中，cc(f,m(φ))表示固定图像f和变形图像m(φ)间的互相关函数，m为浮动图像，φ为变形场，f^(p)和m^((φ(p))分别表示固定图像的像素平均值和变形图像的像素平均值，l(φ)为正则项；完整的损失函数表示为：l(f,m,φ)＝-cc(f,m(φ))+λl(φ)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，λ为正则化参数。8.根据权利要求1所述的方法，其特征在于，步骤s5所述网络参数的训练是一个迭代优化的过程，直到损失函数小于阈值或达到最大迭代次数停止网络训练，并保存最新的网络参数；所述网络优化方法优选adam(adaptive moment estimation)。9.根据权利要求1所述的方法，其特征在于，步骤s6所述新的一组浮动图像和固定图像传入网络模型，模型会调用所述训练后的网络参数生成变形场，并用所述变形场对浮动图像进行插值变换得到配准后的变形图像。
技术总结
一种基于深度学习的医学图像配准方法，包括：将浮动图像和固定图像传入网络模型，生成变形场；用变形场对浮动图像进行插值变换得到变形图像；利用固定图像、变形图像和变形场计算损失函数；基于损失函数和优化方法对网络参数进行训练，训练好网络模型后保存网络参数；将新的一组浮动图像和固定图像传入网络模型，调用训练后的网络参数得到变形场，并对浮动图像进行变换得到配准后的变形图像。本发明可以提高非刚体配准的准确度和速度。提高非刚体配准的准确度和速度。提高非刚体配准的准确度和速度。
技术研发人员：卜佳俊 徐琦 张微 顾静军
受保护的技术使用者：浙江大学
技术研发日：2022.11.04
技术公布日：2023/3/28