CN113822792B 图像配准方法、装置、设备及存储介质 （腾讯科技（深圳）有限公司）

ZHEXU.Double-UncertSpatialandTemporalRegularizationWeightingforLea样本目标图像；将样本图像对输入第一配准网配准网络的第二网络参数是不同训练时间下的配准图像以及样本目标图像，训练第一配准网2将所述样本图像对输入第一配准网络，得到所述样本待配准图将所述样本图像对输入第二配准网络，得到所述样本待配准图基于所述第一配准图像和所述样本目标图像确基于所述第一形变场确定空间正则化损失，所述空间正则化损失基于所述第一配准图像和所述第二配准图像确定时间正基于所述相似度损失、所述空间正则化损失以及所述时间正则通过所述第二配准网络确定所述空间正则化损失的第一损失权重，以及所述时所述基于所述相似度损失、所述空间正则化损失以及所述时间通过所述第二配准网络对所述样本图像对进行n次前向预测，得到所述样本待配准图通过所述n个第三形变场对所述样本待配准图像进行形变处理，得到n个第三配准图确定所述n个第三形变场的平均形变场以及3基于所述形变场不确定度确定所述第一损失权重，所述第一损失权6.根据权利要求4所述的方法，其特征在于，所确定所述n个第三配准图像的平均配准图像以及配基于所述配准图像不确定度确定所述第二损失权重，所述第二损失通过所述第二配准网络对增加随机扰动后的所述样本图像对进行n次前向预测，得到所述样本待配准图像与所述样本目标图像之间的n个所述通过所述n个第三形变场对所述样本待配准图像进行形变处理，得8.根据权利要求1至7任一所述的方法，其特征在于，将增加随机扰动后的所述样本图像对输入第二配准网络，得到所述样通过所述第二形变场对未增加随机扰动的所述样本待配准图像进行形基于所述第一配准网络的所述第一网络参数，更新所述第将所述目标图像对输入训练完成的所述第一配准网络，得到所4样本图像获取模块，用于获取样本图像对，所述样本图像对中包含样本第一配准模块，用于将所述样本图像对输入第一配准第二配准模块，用于将所述样本图像对输入第二配准段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至11任一所述14.一种计算机可读存储介质，其特征在于，所述可读存储介质中存储有至少一条指指令集由处理器加载并执行以实现如权利要求1至11任一所5[0003]图像配准过程是寻找最优空间变换即最优形变场的过程6集或指令集由处理器加载并执行以实现如上述方面[0020]通过第一配准网络与第二配准网络分别对待配准图像与处理后得到不同配准图像，进而可通过不同配准图像与目标图像对第一配准网络进行训[0029]图8是一个示例性实施例示出的利用第一配准网络进行图像配准过程的实施示意7[0033]人工智能(ArtificialIntelligence，AI)是利用数字计算机或者数字计算机控于第一形变场104与第二形变场105对待配准图像106进行形变处理得到第一配准图像107与第二配准图像108。由于第一配准网络102与第二配准网络103的网络参数是不同训练时8信息的图像，如计算机断层扫描(ComputedTomography，CT)，正电子发射断层成像[0045]图2示出了本申请一个示例性实施例提供的实施环境的示意图。该实施环境中包[0048]服务器220可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集以及大数据和人工智能平台等基础云计算服务9[0058]可选的，在对样本待配准图像进行形变处理的过程中，可利用空间变换网络[0061]而预测得到第二形变场后，同样可利用STN网络对样本待配准图像进行形变处理[0072]步骤401至步骤403的实施方式可参考上述步骤301至步骤303，本实施例不再赘配准，使用模式独立邻域描述符(ModalityIndependentNeighbourhoodDescriptor，待配准图像与样本目标图像进行配准的过程中，预测得到的形变场在空间上存在较多差据n个形变场的离散程度确定形变场的不确定度，最终基于形变场的不确定度确定空间正[0099]由于时间正则化损失根据第一配准图像与第二配准图像间的空间上的相似度确图像的不确定度确定时间正则化的强度。即通过n个第三形变场对样本待配准图像进行形先确定n个第三形变场的平均形变场与形变场形变场的离散程度越大，即预测样本图像对间的形变场趋向于产生更多的不确定性预测，[0124]其中，lwtr即为通过第i次前向预测得到第三形变场对样本待配准图像进行形变体素对应配准图像不确定度UIue之和，k2是第二损失权重的伸缩标量值，用于给权重一个c为第二损失权重。间正则化损失训练第一配准网络，从而实现在时间与空间双重维度上约束形变场的解空第二损失权重，且基于第二配准网络n次前向预测结果确定形变场不确定度以及配准图像[0148]步骤501与步骤502的实施方式可参考上述步骤301与步骤302，本实施例不再赘[0150]第一配准网络与第二配准网络的输入是相同的训练样本形变场是在受到扰动后预测得到的形变场，而第一形变场则是未受扰动下预测得到形变[0159]步骤507，基于第一配准网络的第一网络参数，更新第二配准网络的第二网络参+(1-α)θk对中增加随机扰动，进而通过第二配准网络对增加随机扰动后的样本图像对进行n次前向络602的第二网络参数基于第一配准网络601的第一网络参数进行EMA更新，且输入至第二[0169]通过第一配准网络601预测得到形变场φs，根据形变场φs确定空间正则化损失像Iws，从而根据第一配准图像Iws与样本目标图像If确定相似度损失Lsim;并通过第二配准网络602预测得到形变场φt，将形变场φt与未增加有噪声的样本待配准图像Im输入至φ配准图像进行配准图像不确定度估计，得到配准图像不确定度从而根据配准图像不确定度uiw确定第二损失权重λc，最终基于相似度损失Lsim、空间正则化损失Lh第一损[0171]上述实施例中阐述了对第一配准网络的训练过程，在第[0178]利用训练完成的第一配准网络对待配准图像与参考图像进行图像配准得到目标图像为例，其采用相关技术中迭代优化方法SyN以及基于深度学习的基准测试方法VM进行配准的效果与本申请实施例中训练后的第一配准网络进行配准的效果的定量分析如表1所86.372.51-86.672.2790.7790.4589.842.0291.40[0206]第一处理单元，用于通过所述n个第三形变场对所述样本待配准图像进行形变处[0219]通过所述第二配准网络对增加随机扰动后的所述样本图像对进行n次前向预测，得到所述样本待配准图像与所述样本目标图像之间的[0221]通过所述n个第三形变场，对未增加随机扰动的所述样本待配准图像进行形变处述样本待配准图像与所述样本目标图像之间的所[0229]基于所述第一网络参数，对所述第二配准网络当前的所述第二网络参数进行EMA[0236]请参考图10，其示出了本申请一个示例性实施例提供的计算机设备的结构示意[0237]所述基本输入/输出系统1006包括有用于显示信息的显示器1008和用于用户输入连接到系统总线1005的输入输出控制器1010连接到中央处理单元1001。所述基本输入/输[0238]所述大容量存储设备1007通过连接到系统总线1005的大容量存储控制器(未示出)连接到中央处理单元1001。所述大容量存储设备1007及其相关联的计算机可读介质为统存储器1004和大容量存储设备1007可以处理器加载并执行以实现上述任一实施例所述的图[0245]本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可代码集或指