CN115222780B 基于语义掩膜的跨模态大形变图像配准方法 （西安电子科技大学）

基于语义掩膜的跨模态大形变图像配准方法本发明公开了一种基于语义掩膜的跨模态2(2)将训练集中的图像输入到Mask_RCNN网络中，使用训练集中的标签和Mask_RCNN网(4c)利用仿射配准结果生成训练集的质心主轴语义掩膜MPθV和测试集的质心主轴语义掩膜MPθT；(4b2)使用训练集的仿射配准参数HV分别对训练集的分割结果DV和图像IV做仿射配准，3(4d1)将训练集的质心主轴语义掩膜M(4d2)使用训练集的形变场FV分别对训(4d3)使用形变配准后的训练集质心主轴语义掩膜MPθV9和训练集的形变场FV迭代更新(4d4)将测试集的质心主轴语义掩膜MPθT输入到用语义掩膜训练好的形变配准网络SB95.根据权利要求1所述的方法，其特征在于，所述(2)中使用训练集中的标签和Mask_48.根据权利要求2所述的方法，其特征在于，所述(4b3(4b3a)根据仿射配准网络损失函数，计算该仿射配准网络的行列式损失值Ldet和正交V式中是图像的质心坐标，Xy'=x-死v,yv'=y-y,(x，y)为图像中像素的坐(1,J,+(1-y)tanBY)5m"xyv＝255_dcvcp_dav6[0003]目前，对于小形变的跨模态图像配准主要使用深度特征[0008](2)将训练集中的图像输入到Mask_RCNN网络中，使用训练集中的标签和Mask_RCNN网络的输出结果迭代更新网络参数，直到进行10000次迭代后，得到训练好的Mask_7[0011](4a)将测试集的分割结果DT和训练集的分割结果DV乘以固定系数L，得到测试集[0013](4c)利用仿射配准结果生成训练集的质心主轴语义掩膜MPθV和测试集的质[0014](4d)利用训练集的质心主轴语义掩膜MPθV，构建用语义掩膜训练的形变配准网络[0020]图2是分别用本发明方法和现有5种医学图像配准算法对下腹部磁共振和CT数据8[0032]1.6)将测试集和训练集中的图像输入到训练好的准步骤需要的信息只是目标器官的位置和形状大小。虽然距离图可以更好地表示边界信[0043]3.2)根据训练集的仿射配准参数HV，对训[0045]3.4)使用训练集的分割结果DV和图像IV空白像素的像素值填充′[0046]3.5)根据仿射配准网络损失函数，计算该仿9[0052]3.8)对步骤3.5～3.7迭代20000次后，得到用语义掩膜训练好的仿射配准网络过计算两个方向的线性插值结果得到测试集的分割结果DT和图像IT空白[0056]3.12)使用得到的测试集的分割结果DT和图像IT空白像素的像素值填充测试集的V′V′V′[0070]式中是图像的质心坐标，xv'=x-死v,yv'=y-y,(x，y)为图像中像素[0074](1,J,+(1-)tan8,)T′T′T′[0114]5.1)将训练集的质心主轴掩膜MPθV输入到形变配准网络SB中，得到训练集的形变[0115]5.2)根据训练集的形变场FV，对训练集的质心主轴掩膜MPθV和仿射配准后的训练[0116]5.3)对训练集的质心主轴掩膜MPθV和仿射[0117]5.4)使用训练集的质心主轴掩膜MPθV和仿射配准后的训练集图像IV′空白像素的像素值填充训练集的质心主轴掩膜MPθV和仿射配准后的训练集图像IV′坐标映射结果中的[0125]5.8)对步骤5.5～5.7迭代20000次后，得到用语义掩膜训练好的形变配准网络[0126]5.9)将测试集的质心主轴掩膜MPθT输入到用语义掩膜训练好的形变配准网络SB′像素的像素值填充测试集的质心主轴掩膜MPθT和仿射配准后的测试集图像I′V坐标映射结[0132]本实验的仿真平台为IntelCorei7_9700KCPU和内存32GB的台式电脑，操作系[0133]仿真所使用的实验数据是某医院放射科和放射科的158例下腹部术前T2MRI和术[0135]仿真时所采用的分割性能评价指标包括戴斯相似系数DSC、互信息MI和平均表面[0140]仿真使用的现有图像配准方法：