【技术实现步骤摘要】
本专利技术涉及医学图像处理和深度学习，尤其涉及一种医学图像配准方法、系统、介质、设备及产品。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、在医学图像配准中，现有技术对于包含复杂解剖结构及大位移变形的区域(如软组织或肿瘤区域)往往难以生成准确且合理的变形场。这主要是因为传统配准方法在特征学习时更多依赖固定和移动图像间的静态特征匹配，而忽略了变形区域的动态特性，尤其是在复杂的解剖场景中，模型难以有效应对大幅度位移导致的配准误差。此外，由于卷积神经网络固有的局部感知特性，其在捕获远距离依赖和全局上下文信息方面表现不足，无法充分学习对于配准至关重要的图像全局语义信息，导致变形场中可能出现解剖学上的不合理变形(如变形场线交叉)，进一步降低了配准的临床适用性。
3、此外，大多数现有方法未能充分考虑复杂解剖结构的拓扑特性，特别是在动态变形区域中，拓扑结构的保持往往受到忽视，这可能导致配准结果中器官或组织的解剖学一致性被破坏。同时，配准模型在提取特征时，由于缺乏对变形区域的自适应关注机制，常会受到数据噪声或不相关信息的干扰，导致生成的变形场缺乏鲁棒性和准确性，特别是在多样化的临床数据分布下表现尤为明显。
技术实现思路
1、为了解决上述
技术介绍
中存在的技术问题，本专利技术提供一种医学图像配准方法、系统、介质、设备及产品，本专利技术设计了一种用于医学影像配准的无监督变形感知自适应学习框架(uda2l)。该框架采用了高风险变形区
2、为了实现上述目的，本专利技术采用如下技术方案：
3、本专利技术的第一个方面提供一种医学图像配准方法。
4、一种医学图像配准方法，包括：
5、获取待配准的医学图像，使用已训练的图像配准模型对医学图像进行配准，得到医学图像配准结果，所述待配准的医学图像包括移动图像和固定图像；基于移动图像和固定图像产生变形场；
6、其中，所述图像配准模型包括高风险变形区域感知机制模块和三视图分层特征融合模块；基于移动图像、固定图像和形变场，采用高风险变形区域感知机制模块，引入变形场的梯度信息，并动态调整变形场的权重，提取固定图像特征、移动图像特征和变形场特征；基于固定图像特征、移动图像特征和变形场特征，采用三视图分层特征融合模块，得到最终融合特征图；基于最终融合特征图，采用空间变换网络，得到最终变形场，用于配准医学图像。
7、进一步地，所述基于移动图像、固定图像和形变场，采用高风险变形区域感知机制模块，引入变形场的梯度信息，并动态调整变形场的权重，提取固定图像特征、移动图像特征和变形场特征；方法包括：
8、对固定图像和移动图像进行拼接、线性投影和层归一化处理，得到查询向量和键向量；基于变形场，采用gradient3d网络，计算提取的变形场的梯度系数；将变形场的梯度系数分别整合到查询向量和键向量中，得到增强查询向量和增强键向量；对增强查询向量和增强键向量进行注意力机制处理，得到变形场特征；
9、将移动图像和固定图像进行注意力机制处理，分别得到固定图像特征和移动图像特征。
10、进一步地，所述计算提取的变形场的梯度系数，采用以下公式：
11、
12、其中，表示通过gradient3d提取的变形场φ的梯度系数；分别为变形场φ在x、y、z方向的偏导数绝对值；max表示最大值函数。
13、进一步地，所述基于固定图像特征、移动图像特征和变形场特征，采用三视图分层特征融合模块，得到最终融合特征图；方法包括：
14、所述三视图分层特征融合模块包括四层解码器和thfi模块，每一层解码器对固定图像特征、移动图像特征和变形场特征进行解码，经thfi模块的卷积块聚合，生成融合特征图；将生成的融合特征图输入至thfi模块的变形场估计模块，预测残差变形场；将预测的残差变形场与前一层的变形场进行合并，生成优化后的变形场；经四层解码器和thfi模块的处理，最后得到最终融合特征图。
15、进一步地，在图像配准模型训练过程中，还包括交叉一致性循环学习模块，用于通过配准网络，计算图像x到图像y的变形场φx→y，对图像x施加形变场φx→y，得到配准图像x'；使用相同的配准网络计算从图像y到图像x的形变场φy→x；将形变场φy→x应用于图像y，得到配准图像y′；利用反向变形场-φy→x对配准图像x'进行变形，得到循环一致的图像x”；利用反向变形场-φx→y对配准图像y'进行变形，得到循环一致的图像y”；构建综合损失函数，优化图像配准模型的学习参数。
16、进一步地，所述综合损失函数采用以下公式表示：
17、lcross＝lsim+αlreg+βlcycle
18、lsim＝-ncc(x′,y)-ncc(y′,x)
19、
20、lcycle＝||x″-x||1+||y″-y||1
21、其中，lcross表示综合损失函数，lsim表示相似性损失，lreg表示正则化损失，lcycle表示循环一致性损失，ncc表示归一化交叉相关，|| ||1表示l1范数。
22、本专利技术的第二个方面提供一种医学图像配准系统。
23、一种医学图像配准系统，包括：
24、预测模块，其被配置为：获取待配准的医学图像，使用已训练的图像配准模型对医学图像进行配准，得到医学图像配准结果，所述待配准的医学图像包括移动图像和固定图像；基于移动图像和固定图像产生变形场；
25、其中，所述图像配准模型包括高风险变形区域感知机制模块和三视图分层特征融合模块；基于移动图像、固定图像和形变场，采用高风险变形区域感知机制模块，引入变形场的梯度信息，并动态调整变形场的权重，提取固定图像特征、移动图像特征和变形场特征；基于固定图像特征、移动图像特征和变形场特征，采用三视图分层特征融合模块，得到最终融合特征图；基于最终融合特征图，采用空间变换网络，得到最终变形场，用于配准医学图像。
26、本专利技术的第三个方面提供一种计算机可读存储介质。
27、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的医学图像配准方法中的步骤。
28、本专利技术的第四个方面提供一种计算机设备。
29、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如上述第一个方面所述的医学图像配准方法中的步骤。
30、本专利技术的第五个方面提供一种计算机程序产品或计算机程序。
31、本专利技术提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。本文档来自技高网...
【技术保护点】
1.一种医学图像配准方法，其特征在于，包括：
2.根据权利要求1所述的医学图像配准方法，其特征在于，所述基于移动图像、固定图像和形变场，采用高风险变形区域感知机制模块，引入变形场的梯度信息，并动态调整变形场的权重，提取固定图像特征、移动图像特征和变形场特征；方法包括：
3.根据权利要求1所述的医学图像配准方法，其特征在于，所述计算提取的变形场的梯度系数，采用以下公式：
4.根据权利要求1所述的医学图像配准方法，其特征在于，所述基于固定图像特征、移动图像特征和变形场特征，采用三视图分层特征融合模块，得到最终融合特征图；方法包括：
5.根据权利要求1所述的医学图像配准方法，其特征在于，在图像配准模型训练过程中，还包括交叉一致性循环学习模块，用于通过配准网络，计算图像X到图像Y的变形场φX→Y，对图像X施加形变场φX→Y，得到配准图像X'；使用相同的配准网络计算从图像Y到图像X的形变场φY→X；将形变场φY→X应用于图像Y，得到配准图像Y′；利用反向变形场-φY→X对配准图像X'进行变形，得到循环一致的图像X”；利用反向变形场-φX→Y对
6.根据权利要求5所述的医学图像配准方法，其特征在于，所述综合损失函数采用以下公式表示：
7.一种医学图像配准系统，其特征在于，包括：
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的医学图像配准方法中的步骤。
9.一种计算机设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的医学图像配准方法中的步骤。
10.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-6中任一项所述的医学图像配准方法中的步骤。
...【技术特征摘要】
1.一种医学图像配准方法，其特征在于，包括：
2.根据权利要求1所述的医学图像配准方法，其特征在于，所述基于移动图像、固定图像和形变场，采用高风险变形区域感知机制模块，引入变形场的梯度信息，并动态调整变形场的权重，提取固定图像特征、移动图像特征和变形场特征；方法包括：
3.根据权利要求1所述的医学图像配准方法，其特征在于，所述计算提取的变形场的梯度系数，采用以下公式：
4.根据权利要求1所述的医学图像配准方法，其特征在于，所述基于固定图像特征、移动图像特征和变形场特征，采用三视图分层特征融合模块，得到最终融合特征图；方法包括：
5.根据权利要求1所述的医学图像配准方法，其特征在于，在图像配准模型训练过程中，还包括交叉一致性循环学习模块，用于通过配准网络，计算图像x到图像y的变形场φx→y，对图像x施加形变场φx→y，得到配准图像x'；使用相同的配准网络计算从图像y到图像x的形变场φy→x；将形变场φy→x应用于图像y，得到配准图...
【专利技术属性】
技术研发人员：李登旺，韩延伟，薛洁，黄浦，赵新亚，柴象飞，
申请(专利权)人：山东师范大学，
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。