图像配准方法、电子设备及可读存储介质技术

本发明专利技术公开了一种图像配准方法、电子设备及可读存储介质，所述图像配准方法包括以下步骤：获取移动图片和固定图片，并通过图像分割网络分别对所述移动图片和所述固定图片进行预测分割；根据预测分割结果去除所述移动图片和所述固定图片中的干扰因素；基于去除干扰因素后的所述移动图片和所述固定图片及初始配准网络确定目标位移场；将所述移动图片和所述目标位移场输入空间变换网络，通过所述空间变换网络生成配准图像。本发明专利技术去除图片中的干扰因素，解决除关键部位外的其他部位对网络模型训练造成干扰的问题。训练造成干扰的问题。训练造成干扰的问题。

【技术实现步骤摘要】
图像配准方法、电子设备及可读存储介质


[0001]本专利技术涉及医学影像领域，尤其涉及一种图像配准方法、电子设备及可读存储介质。

技术介绍

[0002]图像配准是叠加同一场景在不同时间、不同视点和/或不同传感器拍摄的两幅图像或多幅图像的过程。在医学领域，通过对不同时刻采集的动态图像的配准，可以定量分析病灶和器官的变化情况，使得医疗诊断、制定手术计划、放射治疗计划更准确可靠。医学图像配准技术可以分为两类，一类是基于传统的配准方法，传统的配准方法步骤繁琐且耗时长，其针对每一对需要配准的图像都要进行迭代搜索，并且其配准的效果也并不理想；另一种是基于深度学习的配准方法，所述基于深度学习的方法只需要构建合适的网络和设计合适的损失函数，在训练好模型后图像配准速度远远快于传统的配准方法。但所述基于深度学习的图像配准技术也存在不足，即在配准过程中保留了除关键部位外的其他部位的图像，其他部位的图像对图像配准会产生一定的干扰。
[0003]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

[0004]本专利技术的主要目的在于提供一种图像配准方法，旨在去除图片中的干扰因素，解决其他部位信息对网络模型训练造成干扰的问题。
[0005]为实现上述目的，本专利技术提供一种图像配准方法，所述图像配准方法包括以下步骤：
[0006]获取移动图片和固定图片，并通过图像分割网络分别对所述移动图片和所述固定图片进行预测分割；
[0007]根据预测分割结果去除所述移动图片和所述固定图片中的干扰因素；
[0008]基于去除干扰因素后的所述移动图片和所述固定图片及初始配准网络确定目标位移场；
[0009]将所述移动图片和所述目标位移场输入空间变换网络，通过所述空间变换网络生成配准图像。
[0010]进一步地，所述根据预测分割结果去除所述所述移动图片和所述固定图片中的干扰因素的步骤包括：
[0011]将所述移动图片和所述固定图片分别与对应的预测分割结果相乘，以去除所述移动图片和所述固定图片中的干扰因素。
[0012]进一步地，所述基于去除干扰因素后的所述移动图片和所述固定图片及初始配准网络确定目标位移场的步骤包括：
[0013]对去除干扰因素后的所述移动图片和所述固定图片进行合并，对合并图片进行下
采样，得到不同分辨率的合并图片；
[0014]根据所述不同分辨率的合并图片得到不同分辨率的位移场；
[0015]通过位移场级联模块将不同分辨率的位移场合并为目标位移场。
[0016]进一步地，所述通过位移场级联模块将不同分辨率的位移场合并为目标位移场的步骤包括：
[0017]将第一位移场中X轴和Y轴的位移分别与对应的权重系数相乘，其中，所述第一位移场为分辨率最低的图片对应的位移场；
[0018]确定相乘后所述第一位移场对应的第一分辨率，根据所述第一分辨率查找第二位移场，其中，所述第二位移场对应的第二分辨率与第一分辨率相同；
[0019]合并所述第一位移场与所述第二位移场；
[0020]将合并得到的位移场作为第一位移场，循环上述步骤，直至仅剩一个位移场，即为目标位移场。
[0021]进一步地，所述基于去除干扰因素后的所述移动图片和所述固定图片及初始配准网络确定目标位移场的步骤之后，还包括：
[0022]获取所述移动图片与所述固定图片分别对应的实际分割结果；
[0023]将所述移动图片对应的实际分割结果和所述目标位移场输入空间变换网络，得到配准图像对应的分割结果；
[0024]根据所述固定图片对应的实际分割结果以及所述配准图像对应的分割结果确定标签相似性；
[0025]根据所述标签相似性对所述初始配准网络进行训练，保存训练后的配准网络用于下一次图像配准。
[0026]进一步地，所述将所述移动图片对应的实际分割结果和所述目标位移场输入空间变换网络，得到所述配准图像对应的分割结果的步骤之后，还包括：
[0027]通过拉普拉斯算子确定所述配准图像对应的分割结果与所述固定图片对应的实际分割结果分别对应的轮廓图片；
[0028]根据所述配准图像对应的分割结果与所述固定图片对应的实际分割结果分别对应的轮廓图片确定轮廓约束项；
[0029]根据所述轮廓约束项对所述初始配准网络进行训练，保存训练后的配准网络用于下一次图像配准。
[0030]进一步地，所述将所述移动图片对应的实际分割结果和所述目标位移场输入空间变换网络，得到所述配准图像对应的分割结果的步骤之后，还包括：
[0031]根据所述配准图像对应的分割结果与所述固定图片对应的实际分割结果确定全局约束项；
[0032]根据所述全局约束项对所述初始配准网络进行训练，保存训练后的配准网络用于下一次图像配准。
[0033]进一步地，所述基于去除干扰因素后的所述移动图片和所述固定图片及初始配准网络确定目标位移场的步骤之后，还包括：
[0034]根据所述目标位移场确定对应的正则项；
[0035]根据所述正则想对所述初始配准网络进行训练，保存训练后的配准网络用于下一
次图像配准；
[0036]所述将所述移动图片与所述目标位移场输入空间变换网络，得到配准图像的步骤之后，还包括：
[0037]确定所述固定图片与所述配准图像的图像相似性；
[0038]根据所述图片相似性对所述初始配准网络进行训练，保存训练后的配准网络用于下一次图像配准。
[0039]为了实现上述目的，本专利技术还提供一种电子设备，所述电子设备包括存储器、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图像配准程序，所述图像配准程序被所述处理器执行时实现上述任一项所述的图像配准方法的步骤。
[0040]为了实现上述目的，本专利技术还提供一种可读存储介质，所述可读存储介质上存储有图像配准程序，所述图像配准程序被处理器执行时实现上述任一项所述的图像配准方法的步骤。
[0041]本专利技术的技术方案中，获取移动图片和固定图片，并通过图像分割网络分别对所述移动图片和所述固定图片进行预测分割；根据预测分割结果去除所述移动图片和所述固定图片中的干扰因素；基于去除干扰因素后的所述移动图片和所述固定图片及初始配准网络确定目标位移场；将所述移动图片和所述目标位移场输入空间变换网络，通过所述空间变换网络生成配准图像。如此，可以通过图像分割网络处理所述移动图片和所述固定图片得到预测分割结果，所述预测分割结果将图片分为关键部位和其余部位，根据所述预测分割结果去除所述移动图片和所述固定图片中的干扰因素，解决除关键部位外的其他部位对网络模型训练造成干扰的问题。
附图说明
[0042]图1是本专利技术实施例方案涉及的硬件运行环境的装置结构示意图；
[0043]图2为本专利技术图像配准方法一实施例的流程示意图；
[0044]图3为本专利技术图像配准方法中步骤S300的细化流程示意图；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像配准方法，其特征在于，所述图像配准方法包括以下步骤：获取移动图片和固定图片，并通过图像分割网络分别对所述移动图片和所述固定图片进行预测分割；根据预测分割结果去除所述移动图片和所述固定图片中的干扰因素；基于去除干扰因素后的所述移动图片和所述固定图片及初始配准网络确定目标位移场；将所述移动图片和所述目标位移场输入空间变换网络，通过所述空间变换网络生成配准图像。2.如权利要求1所述的图像配准方法，其特征在于，所述根据预测分割结果去除所述所述移动图片和所述固定图片中的干扰因素的步骤包括：将所述移动图片和所述固定图片分别与对应的预测分割结果相乘，以去除所述移动图片和所述固定图片中的干扰因素。3.如权利要求1所述的图像配准方法，其特征在于，所述基于去除干扰因素后的所述移动图片和所述固定图片及初始配准网络确定目标位移场的步骤包括：对去除干扰因素后的所述移动图片和所述固定图片进行合并，对合并图片进行下采样，得到不同分辨率的合并图片；根据所述不同分辨率的合并图片得到不同分辨率的位移场；通过位移场级联模块将不同分辨率的位移场合并为目标位移场。4.如权利要求3所述的图像配准方法，其特征在于，所述通过位移场级联模块将不同分辨率的位移场合并为目标位移场的步骤包括：将第一位移场中X轴和Y轴的位移分别与对应的权重系数相乘，其中，所述第一位移场为分辨率最低的图片对应的位移场；确定相乘后所述第一位移场对应的第一分辨率，根据所述第一分辨率查找第二位移场，其中，所述第二位移场对应的第二分辨率与第一分辨率相同；合并所述第一位移场与所述第二位移场；将合并得到的位移场作为第一位移场，循环上述步骤，直至仅剩一个位移场，即为目标位移场。5.如权利要求1所述的图像配准方法，其特征在于，所述基于去除干扰因素后的所述移动图片和所述固定图片及初始配准网络确定目标位移场的步骤之后，还包括：获取所述移动图片与所述固定图片分别对应的实际分割结果；将所述移动图片对应的实际分割结果和所述目标位移场输入空间变换网络，得到配准图像对应的分割结果；根据所述固定图片对应的实际分割结果以及所述配准...

【专利技术属性】
技术研发人员：何志权，何玉鹏，
申请(专利权)人：深圳大学，
类型：发明
国别省市：