图像配准分割方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115953575A(43)申请公布日2023.04.11(21)申请号202210762226.XG06V10/75(2022.01)(22)申请日2022.06.29G06V10/42(2022.01)G06V10/44(2022.01)(71)申请人中国科学院苏州生物医学工程技术G06V10/82(2022.01)研究所G06T7/33(2017.01)地址215163江苏省苏州市高新区科技城G06T7/00(2017.01)科灵路88号申请人苏州市立医院济南国科医工科技发展有限公司(72)发明人周志勇戴亚康陈乾胡冀苏张璐瑶钱旭升耿辰时建明(74)专利代理机构北京远大卓悦知识产权代理有限公司11369专利代理师杨明霞(51)Int.Cl.G06V10/26(2022.01)权利要求书3页说明书10页附图4页(54)发明名称图像配准分割方法及系统(57)摘要本发明公开了一种图像配准分割方法及系统，包括以下步骤：S1、提供分割配准联合网络模型；S2、预训练配准网络和分割网络；S3、对配准网络进行参数优化；S4、对分割网络进行参数优化；S5、重复步骤S2和S3使两者交替进行，直至最后得到一个训练好的分割配准联合网络模型，将该模型用于进行图像分割配准。本发明提供的图像配准分割方法及系统，从全局的解剖结构轮廓和局部的结构信息两点入手，一方面利用器官标签对配准的约束来引导图像配准，并将配准与分割网络联合，只需少量人工标注即可完成全部图像的标签引导；另一方面提出msMIND对图像局部结构进行约束引导图像配准，能够实现高精度的多模态医学图像配准。CN115953575ACN115953575A权利要求书1/3页1.一种图像配准分割方法，其特征在于，包括以下步骤：S1、提供分割配准联合网络模型，其包括配准网络和分割网络；S2、用全部M对CT‑MR图像对以无监督的方式训练配准网络作为预训练，用N对含标签的CT‑MR图像对以循环自训练的方式分别训练CT和MR分割网络作为预训练；其中，CT‑MR图像对包括CT图像和MR图像；S3、将全部的Imr和Ict依次输入到配准网络生成形变场通过形变场对Imr进行形变生成预测图像利用与Ict，与Lct结构相似的特点来指导配准网络的参数优化；其中，Imr和ICT分别表示MR图像和CT图像；L表示图像的分割标签，其中是CT的人工标签，是CT的算法计算得到的标签；其中，是人工标注的标签，作为金标准；是分割网络对未标记数据的分割结果；是MR的人工标签，是算法得到的CT标签；Lsegmr是算法得到的MR标签；其中，表示MR图像的人工标签，表示CT图像的人工标签，表示MR图像的分割结果；表示CT图像的分割结果；其中，Lmr表示Lmr表示和的合集，φ表示图像变形场，表示Lmrφ表示Lmr的图像变形的合集，Lct表示Lct表示Lgtct和Lsegct的合集；S4、将全部的Imr和Ict依次输入到分割网络生成分割结果和当存在人工标签时，利用与Lgtct/mr结构相似的特点来优化分割网络参数；当不存在人工标签时，利用配准形变场作用于浮动图像分割结果形变得到的与相同的特点约束分割网络的参数优化；S5、重复步骤S2和S3使两者交替进行，直至最后得到一个训练好的分割配准联合网络模型，将该模型用于进行图像分割配准。2.根据权利要求1所述的图像配准分割方法，其特征在于，所述分割网络为分割网络Seg‑Net，分割网络Seg‑Net以浮动图像Imr、固定图像Ict和对应的人工标签和作为输入，用于对分割配准联合网络模型进行优化。3.根据权利要求2所述的图像配准分割方法，其特征在于，所述配准网络为配准网络Reg‑Net，配准网络Reg‑Net以浮动图像Imr、固定图像Ict作为输入，，输出对应的形变场经过形变场的空间变换作用获得最优拟合的输出分割后的标签图像或4.根据权利要求3所述的图像配准分割方法，其特征在于，分割网络Seg‑Net接收输入图像Imr或Ict，预测其所需分割的器官轮廓，利用预测轮廓应与真实轮廓相同的特点对分割网络参数θseg进行优化，θseg计算公式如下：seggtθseg＝argmin(Eseg(L,L))(2)seggt其中，Eseg表示分割部分损失函数，L表示图像的分割结果，L表示图像真实标签。5.根据权利要求4所述的图像配准分割方法，其特征在于，配准网络Reg‑Net中，采用2CN115953575A权利要求书2/3页msMIND描述符对图像局部结构进行约束引导图像配准。6.根据权利要求5所述的图像配准分割方法，其特征在于，训练过程中，当存在人工标签时，采用如下的CT‑MRlabeled损失函数组进行参数优化；当不存在人工标签时，采用如下的CT‑MRula