图像配准方法、装置、计算机设备和存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113963037A(43)申请公布日2022.01.21(21)申请号202111148982.5(22)申请日2021.09.29(71)申请人上海联影医疗科技股份有限公司地址201800上海市嘉定区城北路2258号(72)发明人翁馨(74)专利代理机构北京华进京联知识产权代理有限公司11606代理人吴迪(51)Int.Cl.G06T7/33(2017.01)G06N3/04(2006.01)权利要求书3页说明书17页附图9页(54)发明名称图像配准方法、装置、计算机设备和存储介质(57)摘要本申请涉及一种图像配准方法、装置、计算机设备和存储介质。所述方法包括：获取待配准的目标浮动图像和目标参考图像；其中，所述目标浮动图像与所述目标参考图像为相同维度的医学扫描图像；利用预先训练的图像配准模型对所述目标浮动图像和所述目标参考图像进行配准处理，得到目标配准参数；其中，所述图像配准模型为对扫描视野差异大于预设差异值的浮动图像和参考图像进行配准处理的深度学习模型。采用本方法能够提高配准效率。CN113963037ACN113963037A权利要求书1/3页1.一种图像配准方法，其特征在于，所述方法包括：获取待配准的目标浮动图像和目标参考图像；其中，所述目标浮动图像与所述目标参考图像为相同维度的医学扫描图像；利用预先训练的图像配准模型对所述目标浮动图像和所述目标参考图像进行配准处理，得到目标配准参数；其中，所述图像配准模型为对扫描视野差异大于预设差异值的浮动图像和参考图像进行配准处理的深度学习模型。2.根据权利要求1所述的方法，其特征在于，所述利用预先训练的图像配准模型对所述目标浮动图像和所述目标参考图像进行配准处理，得到目标配准参数，包括：分别对所述目标浮动图像和所述目标参考图像进行图像预处理，得到输入浮动图像和输入参考图像；将所述输入浮动图像和所述输入参考图像输入到所述图像配准模型中，得到初始配准参数；对所述初始配准参数进行后处理，得到所述目标配准参数。3.根据权利要求2所述的方法，其特征在于，所述分别对所述目标浮动图像和所述目标参考图像进行图像预处理，得到输入浮动图像和输入参考图像，包括：分别对所述目标浮动图像和所述目标参考图像进行降采样处理，得到采样浮动图像和采样参考图像；分别对所述采样浮动图像和所述采样参考图像进行扩边处理，得到所述输入浮动图像和所述输入参考图像。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：对所述输入浮动图像和所述输入参考图像进行去除床板处理，得到去除床板后的输入浮动图像和去除床板后的输入参考图像；对应地，所述将所述输入浮动图像和所述输入参考图像输入到所述图像配准模型中，得到初始配准参数，包括：将所述去除床板后的输入浮动图像和所述去除床板后的输入参考图像输入到所述图像配准模型中，得到所述初始配准参数。5.根据权利要求1所述的方法，其特征在于，所述图像配准模型的训练过程包括：获取样本浮动图像和样本参考图像；利用所述样本浮动图像和所述样本参考图像进行深度学习模型的训练，得到变换矩阵；根据预设尺寸、所述样本浮动图像和所述样本参考图像生成辅助浮动图像和辅助参考图像；根据所述变换矩阵对所述辅助浮动图像进行图像变换处理，得到变换后的辅助浮动图像；根据所述变换后的辅助浮动图像和所述辅助参考图像计算图像相似度损失值；根据所述样本浮动图像和所述样本参考图像中相对应的解剖关键点，计算平移量损失值；基于所述图像相似度损失值和所述平移量损失值对所述深度学习模型的模型参数进行调整，得到所述图像配准模型。2CN113963037A权利要求书2/3页6.根据权利要求5所述的方法，其特征在于，所述深度学习模型包括刚性配准模型，所述利用所述样本浮动图像和所述样本参考图像进行深度学习模型的训练，得到变换矩阵，包括：将所述样本浮动图像和所述样本参考图像输入到所述刚性配准模型中，得到所述刚性配准模型输出的变换参数；对所述变换参数进行矩阵变换处理，得到所述变换矩阵。7.根据权利要求5所述的方法，其特征在于，所述深度学习模型包括仿射配准模型，所述利用所述样本浮动图像和所述样本参考图像进行深度学习模型的训练，得到变换矩阵，包括：将所述样本浮动图像和所述样本参考图像输入到所述仿射配准模型中，得到所述仿射配准模型输出的所述变换矩阵。8.根据权利要求5所述的方法，其特征在于，所述基于所述图像相似度损失值和所述平移量损失值对所述深度学习模型的模型参数进行调整，得到所述图像配准模型，包括：对所述图像相似度损失值和所述平移量损失值进行加权求和计算，得到总损失值；基于所述总损失值对所述深度学习模型的模型参数进行调整，得到所述图像配准模型。9.根据权利要求5所述的方法，其特征在