【技术实现步骤摘要】
本公开涉及动态x-ray图像配准，尤其涉及一种动态x-ray图像的配准方法及装置、程序产品和医疗设备。
技术介绍
1、自从ac regnet(mansilla l,milone d h,ferrante e.learning deformableregistration of medical images with anatomical constraints[j].neuralnetworks,2020,124:269-279.)架构被提出以来，这项技术被认为是最先进的配准方法。然而，在临床实践中，准确的感兴趣区域图像配准结果可能比用于整个x-ray(x射线)图像的配准结果更受青睐及更令人兴奋。
2、基于上述，有待于提供一种针对动态x-ray图像序列中任意两张感兴趣区域图像进行配准的技术方案。
技术实现思路
1、本公开提出了一种动态x-ray图像的配准方法及装置、程序产品和医疗设备的技术方案。
2、根据本公开的一方面，提供了一种动态x-ray图像的配准方法，包括：
3、获取待配准动态x-ray图像序列、用于训练的多张动态/静态x-ray图像及其对应的用于感兴趣区域限制的第一预设卷积神经网络；利用所述多张动态/静态x-ray图像及所述第一预设卷积神经网络，对用于配准的第二预设卷积神经网络进行初始训练；利用所述多张动态/静态x-ray图像及其感兴趣区域图像对应的多个动态/静态x-ray图像对及所述第一预设卷积神经网络，对初始训练后的第二预设卷积神经
4、优选地，所述利用所述多张动态/静态x-ray图像及其感兴趣区域图像对应的多个动态/静态x-ray图像对及所述第一预设卷积神经网络，对初始训练后的第二预设卷积神经网络进行增强训练的方法，包括：分别对所述多张动态/静态x-ray图像进行变换，得到每张动态/静态x-ray图像对应的第一变换x-ray图像；分别基于所述每张动态/静态x-ray图像及其对应的第一变换x-ray图像，构建多个第一动态/静态x-ray图像对；基于所述多个第一动态/静态x-ray图像对及所述第一预设卷积神经网络，对所述初始训练后的第二预设卷积神经网络进行第一次增强训练；按照分别对所述多张动态/静态x-ray图像进行变换的方法，分别对所述多张动态/静态x-ray图像对应的感兴趣区域图像进行变换，得到每张感兴趣区域图像对应的第二变换x-ray图像；分别基于所述每张感兴趣区域图像及其对应的第二变换x-ray图像，构建多个第二动态/静态x-ray图像对；基于所述多个第二动态/静态x-ray图像对及所述第一预设卷积神经网络，对所述第一次增强训练后的第二预设卷积神经网络进行第二次增强训练；进而，基于所述第二次增强训练后的第二预设卷积神经网络，对所述待配准动态x-ray图像序列中任意两张感兴趣区域图像进行配准。
5、优选地，所述基于所述多个第一动态/静态x-ray图像对及所述第一预设卷积神经网络，对所述初始训练后的第二预设卷积神经网络进行第一次增强训练的方法，包括：获取所述多个第一动态/静态x-ray图像对及其对应的多个感兴趣区域掩码图像对；分别基于所述多个第一动态/静态x-ray图像对中每对图像的固定图像及浮动图像及所述初始训练后的第二预设卷积神经网络，确定对应的第一训练形变场；分别基于每对图像中浮动图像及对应的第一训练形变场确定对应的第一形变图像；分别基于每对图像的浮动图像对应的第一形变图像及所述固定图像计算第一损失；分别基于每对图像中浮动图像对应的感兴趣区域掩码图像及对应的第一训练形变场确定对应的第二形变图像；分别基于每对图像的浮动图像对应的第二形变图像及所述固定图像对应的感兴趣区域掩码图像计算第二损失；分别利用所述第一预设卷积神经网络分别对所述第二形变图像及所述固定图像对应的感兴趣区域掩码图像进行编码，得到第一编码特征图及第二编码特征图；并基于所述第一编码特征图及所述第二编码特征图计算第三损失；基于所述第一损失、所述第二损失及所述第三损失，调整所述初始训练后的第二预设卷积神经网络的参数，完成对所述初始训练后的第二预设卷积神经网络进行第一次增强训练。
6、优选地，在所述获取所述多个第一动态/静态x-ray图像对对应的多个感兴趣区域掩码图像对之前，利用用于所述感兴趣区域分割的第三预设卷积神经网络或预设分割模型，分别对所述多个第一动态/静态x-ray图像对进行所述感兴趣区域分割，得到所述多张动态/静态x-ray图像对应的多个感兴趣区域掩码图像对。
7、优选地，在所述分别对所述多张动态/静态x-ray图像对应的感兴趣区域图像进行变换，得到每张感兴趣区域图像对应的第二变换x-ray图像之前，分别确定所述多张动态/静态x-ray图像对应的感兴趣区域图像的方法，包括：分别获取所述多张动态/静态x-ray图像对应的感兴趣区域掩码图像，并将所述感兴趣区域掩码图像对应的掩码值配置为设定值；基于配置后的所述感兴趣区域掩码图像及其对应的所述多张动态/静态x-ray图像，确定所述多张动态/静态x-ray图像对应的感兴趣区域图像。
8、优选地，所述基于所述多个第二动态/静态x-ray图像对及所述第一预设卷积神经网络，对所述第一次增强训练后的第二预设卷积神经网络进行第二次增强训练的方法，包括：获取所述多个第二动态/静态x-ray图像对及其对应的多个感兴趣区域掩码图像对；分别基于所述多个第二动态/静态x-ray图像对中每对图像的固定图像及浮动图像及所述第一次增强训练的第二预设卷积神经网络，确定对应的第二训练形变场；分别基于每对图像中浮动图像及对应的第二训练形变场确定对应的第三形变图像；分别基于每对图像的浮动图像对应的第三形变图像及所述固定图像计算第四损失；分别基于每对图像中浮动图像对应的感兴趣区域掩码图像及对应的第二训练形变场确定对应的第四形变图像；分别基于每对图像的浮动图像对应的第四形变图像及所述固定图像对应的感兴趣区域掩码图像计算第五损失；分别利用所述第一预设卷积神经网络分别对所述第四形变图像及所述固定图像对应的感兴趣区域掩码图像进行编码，得到第三编码特征图及第四编码特征图；并基于所述第三编码特征图及所述第四编码特征图计算第六损失；基于所述第四损失、所述第五损失及所述第六损失，调整所述第一次增强训练后的第二预设卷积神经网络的参数，完成对所述第一次训练后的第二预设卷积神经网络进行第二次增强训练。
9、优选地，在获取用于训练的多张动态/静态x-ray图像对应的用于感兴趣区域限制的第一预设卷积神经网络之前，利用用于所述感兴趣区域分割的第三预设卷积神经网络或预设分割模型，分别对所述多张动态/静态x-ray图像进行所述感兴趣区域分割，得到所述多张动态/静态x-ray图像对应的多张感兴趣区域掩码图像；利用所述多张感兴趣区域掩码图像，对用于所述感兴趣区域限制的第一预设卷积神经网络进行训练。
10、优本文档来自技高网...
【技术保护点】
1.一种动态X-ray图像的配准方法，其特征在于，包括：
2.根据权利要求1所述的配准方法，其特征在于，所述利用所述多张动态/静态X-ray图像及其感兴趣区域图像对应的多个动态/静态X-ray图像对及所述第一预设卷积神经网络，对初始训练后的第二预设卷积神经网络进行增强训练的方法，包括：分别对所述多张动态/静态X-ray图像进行变换，得到每张动态/静态X-ray图像对应的第一变换X-ray图像；分别基于所述每张动态/静态X-ray图像及其对应的第一变换X-ray图像，构建多个第一动态/静态X-ray图像对；基于所述多个第一动态/静态X-ray图像对及所述第一预设卷积神经网络，对所述初始训练后的第二预设卷积神经网络进行第一次增强训练； 按照分别对所述多张动态/静态X-ray图像进行变换的方法，分别对所述多张动态/静态X-ray图像对应的感兴趣区域图像进行变换，得到每张感兴趣区域图像对应的第二变换X-ray图像；分别基于所述每张感兴趣区域图像及其对应的第二变换X-ray图像，构建多个第二动态/静态X-ray图像对；基于所述多个第二动态/静态X-ray图像对及所述第一预设卷积
3.根据权利要求2所述的配准方法，其特征在于，所述基于所述多个第一动态/静态X-ray图像对及所述第一预设卷积神经网络，对所述初始训练后的第二预设卷积神经网络进行第一次增强训练的方法，包括：获取所述多个第一动态/静态X-ray图像对及其对应的多个感兴趣区域掩码图像对；分别基于所述多个第一动态/静态X-ray图像对中每对图像的固定图像及浮动图像及所述初始训练后的第二预设卷积神经网络，确定对应的第一训练形变场；分别基于每对图像中浮动图像及对应的第一训练形变场确定对应的第一形变图像；分别基于每对图像的浮动图像对应的第一形变图像及所述固定图像计算第一损失；分别基于每对图像中浮动图像对应的感兴趣区域掩码图像及对应的第一训练形变场确定对应的第二形变图像；分别基于每对图像的浮动图像对应的第二形变图像及所述固定图像对应的感兴趣区域掩码图像计算第二损失；分别利用所述第一预设卷积神经网络分别对所述第二形变图像及所述固定图像对应的感兴趣区域掩码图像进行编码，得到第一编码特征图及第二编码特征图；并基于所述第一编码特征图及所述第二编码特征图计算第三损失；基于所述第一损失、所述第二损失及所述第三损失，调整所述初始训练后的第二预设卷积神经网络的参数，完成对所述初始训练后的第二预设卷积神经网络进行第一次增强训练；和/或，
4.根据权利要求2-3任一项所述的配准方法，其特征在于，在所述分别对所述多张动态/静态X-ray图像对应的感兴趣区域图像进行变换，得到每张感兴趣区域图像对应的第二变换X-ray图像之前，分别确定所述多张动态/静态X-ray图像对应的感兴趣区域图像的方法，包括：分别获取所述多张动态/静态X-ray图像对应的感兴趣区域掩码图像，并将所述感兴趣区域掩码图像对应的掩码值配置为设定值；基于配置后的所述感兴趣区域掩码图像及其对应的所述多张动态/静态X-ray图像，确定所述多张动态/静态X-ray图像对应的感兴趣区域图像；和/或，
5.根据权利要求1-4任一项所述的配准方法，其特征在于，在获取用于训练的多张动态/静态X-ray图像对应的用于感兴趣区域限制的第一预设卷积神经网络之前，利用用于所述感兴趣区域分割的第三预设卷积神经网络或预设分割模型，分别对所述多张动态/静态X-ray图像进行所述感兴趣区域分割，得到所述多张动态/静态X-ray图像对应的多张感兴趣区域掩码图像；利用所述多张感兴趣区域掩码图像，对用于所述感兴趣区域限制的第一预设卷积神经网络进行训练；和/或，
6.根据权利要求1-5任一项所述的配准方法，其特征在于，所述基于所述增强训练后的第二预设卷积神经网络，对所述待配准动态X-ray图像序列中任意两张感兴趣区域图像进行配准的方法，包括：利用用于所述感兴趣区域分割的第三预设卷积神经网络或预设分割模型，分别对所述待配准动态X-ray图像序列进行所述感兴趣区域分割，得到所述待配准动态X-ray图像序列对应的多张感兴趣区域掩码图像序列；并将所述感兴趣区域掩码图像序列对应的掩码值配置为设定值；基于配置后的所述感兴趣区域掩码图像序列及其对应的所述待配准动态X-ray图像序列，确定所述待配准动态X-ray图像序列对应的感兴趣区域图像序列；基于所述增强训练后的第二预设卷积神经网络，对所述感兴趣区域图像序列中任意两张感兴趣区域图像进行配准；和/或，所述感兴趣区域配置为左肺野、右肺野、心脏、膈肌、胃肠、乳腺中的一种或几种；和/或，所述基于所述增强训练后的第二预设卷...
【技术特征摘要】
1.一种动态x-ray图像的配准方法，其特征在于，包括：
2.根据权利要求1所述的配准方法，其特征在于，所述利用所述多张动态/静态x-ray图像及其感兴趣区域图像对应的多个动态/静态x-ray图像对及所述第一预设卷积神经网络，对初始训练后的第二预设卷积神经网络进行增强训练的方法，包括：分别对所述多张动态/静态x-ray图像进行变换，得到每张动态/静态x-ray图像对应的第一变换x-ray图像；分别基于所述每张动态/静态x-ray图像及其对应的第一变换x-ray图像，构建多个第一动态/静态x-ray图像对；基于所述多个第一动态/静态x-ray图像对及所述第一预设卷积神经网络，对所述初始训练后的第二预设卷积神经网络进行第一次增强训练； 按照分别对所述多张动态/静态x-ray图像进行变换的方法，分别对所述多张动态/静态x-ray图像对应的感兴趣区域图像进行变换，得到每张感兴趣区域图像对应的第二变换x-ray图像；分别基于所述每张感兴趣区域图像及其对应的第二变换x-ray图像，构建多个第二动态/静态x-ray图像对；基于所述多个第二动态/静态x-ray图像对及所述第一预设卷积神经网络，对所述第一次增强训练后的第二预设卷积神经网络进行第二次增强训练；
3.根据权利要求2所述的配准方法，其特征在于，所述基于所述多个第一动态/静态x-ray图像对及所述第一预设卷积神经网络，对所述初始训练后的第二预设卷积神经网络进行第一次增强训练的方法，包括：获取所述多个第一动态/静态x-ray图像对及其对应的多个感兴趣区域掩码图像对；分别基于所述多个第一动态/静态x-ray图像对中每对图像的固定图像及浮动图像及所述初始训练后的第二预设卷积神经网络，确定对应的第一训练形变场；分别基于每对图像中浮动图像及对应的第一训练形变场确定对应的第一形变图像；分别基于每对图像的浮动图像对应的第一形变图像及所述固定图像计算第一损失；分别基于每对图像中浮动图像对应的感兴趣区域掩码图像及对应的第一训练形变场确定对应的第二形变图像；分别基于每对图像的浮动图像对应的第二形变图像及所述固定图像对应的感兴趣区域掩码图像计算第二损失；分别利用所述第一预设卷积神经网络分别对所述第二形变图像及所述固定图像对应的感兴趣区域掩码图像进行编码，得到第一编码特征图及第二编码特征图；并基于所述第一编码特征图及所述第二编码特征图计算第三损失；基于所述第一损失、所述第二损失及所述第三损失，调整所述初始训练后的第二预设卷积神经网络的参数，完成对所述初始训练后的第二预设卷积神经网络进行第一次增强训练；和/或，
4.根据权利要求2-3任一项所述的配准方法，其特征在于，在所述分别对所述多张动态/静态x-ray图像对应的感兴趣区域图像进行变换，得到每张感兴趣区域图像对应的第二变换x-ray图像之前，分别确定所述多张动...
【专利技术属性】
技术研发人员：郭朋，杨英健，麦土胜，吴天琦，欧阳张磊，郑杰，陈晶，
申请(专利权)人：深圳蓝影医学科技股份有限公司，
类型：发明
国别省市：
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。