【技术实现步骤摘要】
本专利技术涉及光声图像配准，尤其涉及一种用于光声快速扫描系统的无监督图像配准方法。
技术介绍
1、快速扫描对光声显微系统提高成像速度实现生物活动实时监测具有重要意义。然而快速扫描仪本身容易受到干扰，扫描仪的制造精度、安装误差和材料疲劳等各种因素会影响扫描轨迹的一致性。在恶劣的工作条件下，例如在使用光纤光声探头或手持式成像系统进行高速水浸扫描时，扫描仪会受到持续的随机干扰，这些因素会导致图像失真，多个二维和三维图像之间出现错位。因此，对这些图像进行配准和还原对准确量化长期成像中的动态信息至关重要。
2、传统配准方法一般分为两类，一种是使用尺度不变特征变换(sift)和加速鲁棒特征方法(surf)提取两张图像中相同特征的坐标来实现失真处的矫正。但这两种方法不适用于特征点模糊或者特征数量少的图像。当光声图像强度在随时间变换时，传统的基于特征点的配准方法表现并不好。另一种基于图像强度的配准方法通过计算两张图像之间的灰度差值来确定每一个点的坐标偏移量。缺点是这种方法对灰度分布敏感，在灰度不均匀的光声图像上表现不佳。
3、随着深度学习的快速发展，一些研究试图利用深度学习技术改善光声图像的质量。一种基于transformer神经网络的光声图像恢复方法及系统(cn202410365893.3)，该方法采用的transformer神经网络由在u型结构中加入多个基于转置注意力机制的transformer模块构成，具有对图像全局进行学习的能力，实现将不适定条件(稀疏、有限视角换能器分布)下获得的低分辨率、存在严重伪影和失真的光
技术实现思路
1、为解决上述技术问题，本专利技术的目的是提供一种用于光声快速扫描系统的无监督图像配准方法，在卷积网络中引入注意力机制，在特征提取时对关键因素赋予更高的权重，有效提升配准的效率，引入互信息作为损失函数，对像素强度之间的概率关系有效建模，有助于更准确的评估不同时间点获取的光声图像的相似性。
2、本专利技术至少通过如下技术方案之一实现。
3、一种用于光声快速扫描系统的无监督图像配准方法，包括以下步骤：
4、a、利用快速扫描光声显微镜采集数据；
5、b、对数据进行箍位、滤波、归一化、仿射变换预处理步骤，构成光声图像数据集；
6、c、构建基于卷积神经网络和空间转换模块的配准模型，融合注意力机制为不同的像素分配权重，采用两阶段训练策略，引入互信息和平滑项作为损失函数；
7、d、基于训练权重预测配准后的光声图像。
8、进一步地，步骤a中，基于水浸式谐振镜的光学分辨率光声显微成像系统的光束通过一个涂有铝涂层的单轴水浸式谐振镜反射到待测样品上，产生的超声波由压电传感器接收。
9、进一步地，步骤a中，将采集的数据沿垂直于图像平面方向对信号强度进行投影，取每个位置上的最大振幅值，构成最大振幅投影图像。
10、进一步地，步骤b中，根据图像的第一百分位数和第99百分位数对图像的强度值进行筘位，以去除异常值，然后将数据归一化至[0，1]范围内并进行中值滤波，最后进行初始的仿射对齐，以大致对齐图像位置。
11、进一步地，步骤c中，构建基于卷积神经网络和空间转换模块的配准模型，融合注意力机制加强对关键像素的权重，对奇数帧和偶数帧图像采用两阶段训练策略，引入互信息损失和平滑损失，提升网络对图像强度处在变化中的光声图像的配准效果。
12、进一步地，通过卷积神经网络预测出固定图像if与浮动图像im之间的形变场φ，空间转换模块在浮动图像的基础上根据形变场重新采样，得到配准后的图像
13、进一步地，空间转换模块包括网格生成器和采样器，对于每个像素p，在浮动图像内计算亚像素位置p′＝p+gθ(p)，gθ(p)代表像素p的形变，使用双线性插值法对八个邻近像素插值：
14、
15、式中是配准后的图像像素，q∈z(p′)是p′的邻域，ω为二维空间域，d∈[x，u]是图像的迭代计算维度，p′d表示d维度下的亚像素，qd表示d维度下的邻域像素。
16、进一步地，训练配准模型时，将所有奇数帧作为浮动图像与第一帧配准，然后将所有偶数帧作为浮动图像，与其前一奇数帧配准；测试时，首先预测出所有配准后的奇数帧，然后以配准后的奇数帧为固定图像，对齐所有偶数帧。
17、进一步地，引入互信息lmi和弯曲能量惩罚lsmooth作为损失函数，公式如下所示：
18、
19、
20、
21、式中，n代表样本数量，m表示预测输出和目标之间距离的绝对值，lsmooth(φ)计算的是形变场的二阶梯度，u(p)为像素p的位移，λ为超参数，为梯度算子，σ为高斯核的标准差。
22、进一步地，利用高斯函数的parzen窗口公式来计算互信息，为高斯核函数。
23、与现有的技术相比，本专利技术的有益效果为：
24、本专利技术的一种用于光声快速扫描系统的无监督图像配准方法，通过无监督网络训练后，模型可以在极短时间内且在不输入真值的情况下预测出配准后的图像，在卷积网络中引入注意力机制，在特征提取时对关键因素赋予更高的权重，有效提升配准的效率，引入互信息作为损失函数，对像素强度之间的概率关系有效建模，有助于更准确的评估不同时间点获取的光声图像之间的相似性。
本文档来自技高网...【技术保护点】
1.一种用于光声快速扫描系统的无监督图像配准方法，其特征在于，包括以下步骤：
2.如权利要求1所述的用于光声快速扫描系统的无监督图像配准方法，其特征在于，步骤A中，基于水浸式谐振镜的光学分辨率光声显微成像系统的光束通过一个涂有铝涂层的单轴水浸式谐振镜反射到待测样品上，产生的超声波由压电传感器接收。
3.如权利要求1所述的用于光声快速扫描系统的无监督图像配准方法，其特征在于，步骤A中，将采集的数据沿垂直于图像平面方向对信号强度进行投影，取每个位置上的最大振幅值，构成最大振幅投影图像。
4.如权利要求1所述的用于光声快速扫描系统的无监督图像配准方法，其特征在于，步骤B中，根据图像的第一百分位数和第99百分位数对图像的强度值进行箝位，以去除异常值，然后将数据归一化至[0,1]范围内并进行中值滤波，最后进行初始的仿射对齐，以大致对齐图像位置。
5.如权利要求1所述的用于光声快速扫描系统的无监督图像配准方法，其特征在于，步骤C中，构建基于卷积神经网络和空间转换模块的配准模型，融合注意力机制加强对关键像素的权重，对奇数帧和偶数帧图像采用两阶段训
6.如权利要求5所述的用于光声快速扫描系统的无监督图像配准方法，其特征在于，通过卷积神经网络预测出固定图像If与浮动图像Im之间的形变场φ，空间转换模块在浮动图像的基础上根据形变场重新采样，得到配准后的图像
7.如权利要求6所述的用于光声快速扫描系统的无监督图像配准方法，其特征在于，空间转换模块包括网格生成器和采样器，对于每个像素p，在浮动图像内计算亚像素位置p'＝p+gθ(p)，gθ(p)代表像素p的形变，使用双线性插值法对八个邻近像素插值：
8.如权利要求6所述的用于光声快速扫描系统的无监督图像配准方法，其特征在于，训练配准模型时，将所有奇数帧作为浮动图像与第一帧配准，然后将所有偶数帧作为浮动图像，与其前一奇数帧配准；测试时，首先预测出所有配准后的奇数帧，然后以配准后的奇数帧为固定图像，对齐所有偶数帧。
9.如权利要求6所述的用于光声快速扫描系统的无监督图像配准方法，其特征在于，引入互信息LMI和弯曲能量惩罚Lsmooth作为损失函数，公式如下所示：
10.如权利要求9所述的用于光声快速扫描系统的无监督图像配准方法，其特征在于，利用高斯函数的Parzen窗口公式来计算互信息，为高斯核函数。
...【技术特征摘要】
1.一种用于光声快速扫描系统的无监督图像配准方法，其特征在于，包括以下步骤：
2.如权利要求1所述的用于光声快速扫描系统的无监督图像配准方法，其特征在于，步骤a中，基于水浸式谐振镜的光学分辨率光声显微成像系统的光束通过一个涂有铝涂层的单轴水浸式谐振镜反射到待测样品上，产生的超声波由压电传感器接收。
3.如权利要求1所述的用于光声快速扫描系统的无监督图像配准方法，其特征在于，步骤a中，将采集的数据沿垂直于图像平面方向对信号强度进行投影，取每个位置上的最大振幅值，构成最大振幅投影图像。
4.如权利要求1所述的用于光声快速扫描系统的无监督图像配准方法，其特征在于，步骤b中，根据图像的第一百分位数和第99百分位数对图像的强度值进行箝位，以去除异常值，然后将数据归一化至[0,1]范围内并进行中值滤波，最后进行初始的仿射对齐，以大致对齐图像位置。
5.如权利要求1所述的用于光声快速扫描系统的无监督图像配准方法，其特征在于，步骤c中，构建基于卷积神经网络和空间转换模块的配准模型，融合注意力机制加强对关键像素的权重，对奇数帧和偶数帧图像采用两阶段训练策略，引入互信息损失和平滑损失，提升网络对图像强度处在变化中的光声图像的配准效...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。