买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国科学技术大学

摘要：本发明涉及图像处理技术领域，提供了一种基于改进U‑Net网络的医学图像配准方法、装置和计算机设备，该方法为了缓解原始U‑Net网络模型连续下采样造成的数据丢失的问题，开创性地引入侧源信息通道，对原始数据流进行信息补充，增强了模型远程空间关系理解能力，增强图像配准的精度。同时可以无监督地从图像中抽取特征，具有较快的速度以及良好的泛用性，并对噪声具有一定的抵抗作用，能够避免模型对数据标签的大量依赖。满足了医学图像配准的速度、精准度、抗噪性、泛化性的要求。

主权项：1.一种基于改进U-Net网络的医学图像配准方法，其特征在于，所述方法包括：S1、获取待配准的医学图像对,中的固定图像和浮动图像；S2、分别对所述固定图像和所述浮动图像进行逐级迭代下采样，获得侧源固定图像组和侧源浮动图像组，其中，为k级固定图像，表示进行了k-1次迭代下采样后的固定图像，为k级浮动图像，表示进行了k-1次迭代下采样后的浮动图像，k为图像处理层级，相同图像处理层级用于处理相同图像大小的图像数据；S3、分别将k级固定图像和k级浮动图像输入预设的特征提取网络模型相同图像处理层级的输入端，通过特征提取网络模型计算与各个k级固定图像一一对应的k级固定图像特征数据和与各个k级浮动图像一一对应的k级浮动图像特征数据，以获得固定图像特征数据组和浮动图像特征数据组；S4、将k级固定图像特征数据和k级浮动图像特征数据输入预设的形变场预测网络模型相同图像处理层级的输入端，通过形变场预测网络模型计算与各个图像处理层级一一对应的初始形变场序列，并对各个k级初始形变场顺次进行变换上采样获得精配准形变场；S5、根据所述精配准形变场对所述浮动图像施加变换，获得浮动图像到固定图像的转化图像，以获得待配准图像对,的配准结果；S6、判断当前方法流程是否处于模型训练阶段；S7、若处于模型训练阶段，则计算各个图像处理层级的k级图像相似度损失和k级形变场平滑度损失；S8、对同一图像的处理层级的k级图像相似度损失和k级形变场平滑度损失进行加权计算获得当前图像的处理层级的k级模型损失，对各个图像的处理层级的k级模型损失进行加权计算获得模型损失；S9、基于模型损失采用预设的优化器模型对所述特征提取网络模型和或所述形变场预测网络模型的模型参数进行优化，并返回执行步骤S1；其中，所述特征提取网络模型包括编码路径和解码路径，所述编码路径包括多个顺次连接的图像处理层级依次增加的编码层，所述解码路径包括多个顺次连接的图像处理层级依次减小的解码层，相同图像处理层级的编码层和解码层之间通过跳层连接将编码层数据输入到解码层，步骤S3具体包括：S31、将k级固定图像和k级浮动图像输入特征提取网络模型编码路径的k级编码层中，以获得不同图像处理层级的固定图像特征编码数据组和浮动图像特征编码数据组： （1） （2） （3） （4）其中，表示特征提取网络模型编码路径的级编码层，表示下采样器；S32、通过跳层连接将相同图像处理层级的编码层数据输入到解码层，以获得解码后的固定图像特征数据组和浮动图像特征数据组： （5） （6） （7） （8）其中，表示特征提取网络模型解码路径的级解码层，表示上采样器，表示特征提取网络模型中卷积、整流、激活操作中的一项或多项；所述形变场预测网络模型包括多个顺次连接的图像处理层级依次减小的空间变换层，步骤S4具体包括：S41、将k级固定图像特征数据和k级浮动图像特征数据输入形变场预测网络模型的k级空间变换层中，以获得初始形变场序列： （9） （10）其中，○表示对图像施加形变场变换，表示级空间变换层中的卷积、整流、激活操作中的一项或多项，表示上采样器；S42、对各个k级初始形变场顺次进行形变场变换上采样迭代操作获得精配准形变场： （11）；步骤S7具体包括：S71、根据当前图像处理层级的k级初始形变场和与当前层级相邻的下一图像处理层级k+1级初始形变场计算各个图像处理层级的k级中间形变场： （12） （13）其中，○表示对图像施加形变场变换，表示上采样器；S72、根据k级中间形变场对k级浮动图像施加变换，获得k级浮动图像到k级固定图像的转化图像，以获得k级待配准图像对,的k级中间配准结果；S73、基于各个k级中间配准结果计算各个图像处理层级的图像相似度损失；基于各级k级中间形变场计算各个图像处理层级的形变场平滑度损失；步骤S8具体包括：S81、获取图像相似度损失和形变场平滑度损失之间的正则化系数，根据所述正则化系数对同一图像处理层级的k级图像相似度损失和k级形变场平滑度损失进行加权计算获得当前图像处理层级的k级模型损失： （14）S82、获取不同图像处理层级之间的模型损失权重系数，根据所述模型损失权重系数对各个图像处理层级的k级模型损失进行加权计算获得模型损失： （15）其中，模型损失权重系数满足。

全文数据：

权利要求：

百度查询： 中国科学技术大学 基于改进U-Net网络的医学图像配准方法、装置和计算机设备