一种基于元学习的医学图像配准方法及装置制造方法及图纸

本发明专利技术公开了一种基于元学习的医学图像配准方法及装置，首先获取多领域不同模态的可配准医学数据集，对其进行预处理、分类与任务定义后分别得到预训练任务集与新任务集；然后利用预训练任务集对预设目标配准模型进行预训练，预设目标配准模型收敛后求得第一模型参数；再在预训练任务集中随机抽样出任务，对每一个任务都进行随机次数k次的梯度下降后求出任务的微调后参数，利用微调后参数不断回溯更新之前的第一模型参数直到收敛，收敛后求得第二模型参数；接着前一步骤中得到的收敛模型进行新任务集的训练，收敛后求得第三模型参数；最后利用前一步骤中得到的收敛模型对新目标任务中的医学图像进行配准。任务中的医学图像进行配准。任务中的医学图像进行配准。

【技术实现步骤摘要】
一种基于元学习的医学图像配准方法及装置


[0001]本专利技术涉及计算机
，尤其涉及一种基于元学习的医学图像配准方法及装置。

技术介绍

[0002]现有的医学图像配准方法主要传统算法优化方法与深度学习方法，前者受制于算法本身的时间与空间复杂度，而后者往往需要大量的训练样本进行训练，同时训练完毕的模型应用领域单一有限。随着医学各领域的发展，现有的医学图像配准方法已经不能够完全满足所有医学领域，尤其是因为各种原因导致训练样本不多的医学领域。

技术实现思路

[0003]本专利技术的目的在于提供种基于元学习的医学图像配准方法及装置，用于解决现有技术中采用传统深度学习需要大量训练集的技术问题。
[0004]为了解决上述技术问题，本专利技术技术方案为：
[0005]第一方面提供了一种基于元学习的医学图像配准方法，包括：
[0006]S1：获取多领域不同模态的可配准医学数据集，对其进行预处理、分类与任务定义后分别得到预训练任务集与新任务集；
[0007]S2：利用预训练任务集对预设目标配准模型进行预训练，预设目标配准模型收敛后求得第一模型参数，其中，判断预设目标配准模型是否收敛时采用相似性测度函数；
[0008]S3：在预训练任务集中随机抽样出任务，对每一个任务都进行随机次数k次的梯度下降后求出任务的微调后参数，并利用微调后参数不断回溯更新之前的第一模型参数直到收敛，收敛后求得第二模型参数；
[0009]S4：利用步骤S3中得到的收敛模型进行新任务集的训练，收敛后求得第三模型参数；
[0010]S5：利用步骤S4中得到的收敛模型对新目标任务中的医学图像进行配准。
[0011]在一种实施方式中，步骤S2中预设目标配准模型为Voxelmorph模型。
[0012]在一种实施方式中，步骤S2中的相似性测度函数为：
[0013][0014]其中，NMI()为参数的归一化互信息，F为固定图像，M(Φ)为形变后的运动图像，为形变场的梯度，μ为权重参数。
[0015]在一种实施方式中，步骤S3包括：
[0016]S3.1：在预训练集中随机抽取一任务D
r
；
[0017]S3.2：在抽取的任务D
r
中随机抽取k
t
对配准图像对，对当前模型依照与步骤2相同的相似性测度函数进行k
t
次梯度下降；
[0018]S3.3：求出梯度下降后任务的微调后参数θ
t
，利用任务的微调后参数更新当前模
型的参数，更新方法为：
[0019][0020]其中α为学习率，k
t
为当前轮次进行的梯度下降次数，θ
me
为当前模型本轮更新后的参数，m为当前轮次结束后一共所用的轮次数量，t为当前轮次；
[0021]S3.4：重复执行步骤S3.1至S3.3直至模型收敛，求得当前模型本轮更新后的参数θ
me
，作为第二模型参数。
[0022]基于同样的专利技术构思，本专利技术第二方面提供了一种基于元学习的医学图像配准装置，包括：
[0023]医学数据集获取与处理模块，用于获取多领域不同模态的可配准医学数据集，对其进行预处理、分类与任务定义后分别得到预训练任务集与新任务集；
[0024]预训练模块，用于利用预训练任务集对预设目标配准模型进行预训练，预设目标配准模型收敛后求得第一模型参数，其中，判断预设目标配准模型是否收敛时采用相似性测度函数；
[0025]参数更新模块，用于在预训练任务集中随机抽样出任务，对每一个任务都进行随机次数k次的梯度下降后求出任务的微调后参数，利用微调后参数不断回溯更新之前的第一模型参数直到收敛，收敛后求得第二模型参数；
[0026]训练模块，用于利用参数更新模块中得到的收敛模型进行新任务集的训练，收敛后求得第三模型参数；
[0027]配准模块，用于利用训练模块中得到的收敛模型对新目标任务中的医学图像进行配准。
[0028]基于同样的专利技术构思，本专利技术第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被执行时实现第一方面所述的方法。
[0029]基于同样的专利技术构思，本专利技术第四方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法。
[0030]相对于现有技术，本专利技术的优点和有益的技术效果如下：
[0031]本专利技术提供的一种基于元学习的医学图像配准方法，获取多领域不同模态的可配准医学数据集，并利用预训练任务集对预设目标配准模型进行预训练，然后在预训练任务集中随机抽样出任务，对每一个任务都进行随机次数k次的梯度下降后求出任务的微调后参数，求出的多个参数并不断回溯更新之前的模型参数直到收敛，收敛后求得模型参数；再用已训练好的模型(模型参数为θ
me
)进行新任务集的训练，模型收敛后求得模型参数θ0，最后利用获得的收敛模型(模型参数为θ0)进行新目标任务的配准工作。本
技术实现思路
运用元学习思路，能够有效规避传统深度学习需要大量训练集的弊端，满足小样本医学领域的医学图像配准需求。
附图说明
[0032]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例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专利技术
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的前提下，还可以根据这些附图获得其他的附图。
[0033]图1为本专利技术实施例中提供的基于元学习的医学图像配准方法的流程示意图；
[0034]图2为本专利技术实施例中步骤3.2与3.3的梯度下降简化图，其中每一个小箭头都代表一次梯度下降，虚线圈代表着该轮结束后模型参数调整的位置，不同的梯度下降方向与次数对模型的调整权重不同。
具体实施方式
[0035]本申请专利技术人通过大量的研究与实践发现：
[0036]临床诊断中，单一模态的图像往往不能提供医生所需要的足够信息，因此，如果能将不同模态的医学图像进行适当融合，使解剖信息和功能信息有机地结合起来，在一幅图像上同时综合地表达来自多种成像源的信息，以便医生了解病变组织或器官的综合情况，并做出更加准确的诊断或制定出更加科学优化的治疗方案。同时人体许多器官都处于活动状态，如心脏的跳动，肺的收缩与舒张等。将同一目标的不同时刻的图像配准，获取目标对象的运动信息，可以使医生对目标区域的形态与位置变化有更清楚的了解，对医生的病情跟踪和疗效评估具有重要辅助作用。现有的医学图像配准方法主要传统算法优化方法与深度学习方法，前者受制于算法本身的时间与空间复杂度，而后者往往需要大量的训练样本进行训练，同时训练完毕的模型应用领域单一有限。随着医学各领域的发展，现有的医学图像配准方法已经不能够完全满足所有医学领域，尤其是因为各种原因导致训练样本不多的医学领域。元学习本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于元学习的医学图像配准方法，其特征在于，包括：S1：获取多领域不同模态的可配准医学数据集，对其进行预处理、分类与任务定义后分别得到预训练任务集与新任务集；S2：利用预训练任务集对预设目标配准模型进行预训练，预设目标配准模型收敛后求得第一模型参数，其中，判断预设目标配准模型是否收敛时采用相似性测度函数；S3：在预训练任务集中随机抽样出任务，对每一个任务都进行随机次数k次的梯度下降后求出任务的微调后参数，并利用微调后参数不断回溯更新之前的第一模型参数直到收敛，收敛后求得第二模型参数；S4：利用步骤S3中得到的收敛模型进行新任务集的训练，收敛后求得第三模型参数；S5：利用步骤S4中得到的收敛模型对新目标任务中的医学图像进行配准。2.如权利要求1所述的基于元学习的医学图像配准方法，其特征在于，步骤S2中预设目标配准模型为Voxelmorph模型。3.如权利要求1所述的基于元学习的医学图像配准方法，其特征在于，步骤S2中的相似性测度函数为：其中，NMI()为参数的归一化互信息，F为固定图像，M(Φ)为形变后的运动图像，为形变场的梯度，μ为权重参数。4.如权利要求1所述的基于元学习的医学图像配准方法，其特征在于，步骤S3包括：S3.1：在预训练集中随机抽取一任务D
r
；S3.2：在抽取的任务D
r
中随机抽取k
t
对配准图像对，对当前模型依照与步骤2相同的相似性测度函数进行k
t
次梯度下降；S3.3：求出梯度下降后任务的微调后参数θ
t
，利用任务的...

【专利技术属性】
技术研发人员：熊井一，苏科华，章登义，武小平，桂鹏，
申请(专利权)人：武汉大学，
类型：发明
国别省市：