CN114241017B 图像配准方法、装置、存储介质及计算机设备 （东软医疗系统股份有限公司）

US2018060652A1,2018.03.01备到配准参考图像的各个参考图像层的置信分数将各个参考图像层的置信分数和各个移动图像层的置信分数分别与预设的待配准区域的置信配准参考图像层和配准移动图像的多个粗配准2将所述配准参考图像和所述配准移动图像分别输入到训练好的无监督卷积神经网络将所述各个参考图像层的置信分数和所述各个移动图像层的置信分数分别与预设的将所述多个粗配准参考图像层和所述多个粗配准移动图像层分别输入到训练好的第分别对所述各个粗配准参考图像层的第一图像特征和对所述各个粗配准参考图像层的候选区域和所述各个粗配准移动图像层的候选区域进行后处理，得到所述配准参考图像的中心定位结果和所述配准移动图像的中心定位结根据所述配准参考图像的中心定位结果和所述配准移动图像的中心述配准参考图像的多个配准参考图像层和所述配准移动图像的多个配准移对所述配准参考图像的多个配准参考图像层和所述配准移动图像的多个配准移动图所述配准参考图像的多个粗配准参考图像层和所述配准移动图像的多个粗配准移动图像分别判断所述各个参考图像层的置信分数和所述各个移动图像层的置信分数是否在若任一参考图像层的置信分数在所述预设的待配准区域的置信若任一移动图像层的置信分数在所述预设的待配准区域的置信将所述多组图像样本分别输入到训练好的无监督卷积神经网络3根据所述多组图像样本的待配准区域所在的图像层的置信分数，确定根据所述多组图像样本的各个图像层，通过预设的顺序误差损失对所述多个粗配准参考图像层和所述多个粗配准移动图像层进行尺放后的图像构造各个粗配准参考图像层的参考图像金字塔和各个粗配准移动图像层的移通过所述第一特征提取模型的全卷积网络滑动提取所述各个参考图像金字塔的图像通过所述第二特征提取模型的全卷积网络滑动提取所述各个参考图像金字塔的图像粗配准移动图像层的第一图像特征和第二图像特征进行特征融合、特征降维和特征分类，分别对所述各个粗配准参考图像层的第一图像特征和第二图像特征进行特征串联融合，得到各个粗配准参考图像层的高维融合特征和各个粗配准移动图像层的高维融合特通过主成分分析算法，对所述各个粗配准参考图像层的高维融合特通过训练好的特征分类模型，对所述各个粗配准参考图像层的融在每个所述粗配准图像层上分别标注出多个样本区域4根据所述每个粗配准图像层的正样本和负样本，对初始化的支通过非极大值抑制算法，对各个粗配准参考图像层的候选区域分别对所述各个粗配准参考图像层的定位区域和所述各个粗配准移动图像层的定位分别对所述各个粗配准参考图像层的中心定位结果和所述各个粗配准移动图像层的在每个所述粗配准图像层上分别标注出多个样本区域根据所述每个粗配准图像层的正样本和负样本，分别对初配准参考图像层和所述配准移动图像的多个粗配特征提取模块，用于将所述多个粗配准参考图像层和所述多个粗配特征融合模块，用于分别对所述各个粗配准参考图像层5局部配准模块，用于根据所述配准参考图像的中心准移动图像层进行局部配准，得到所述配准参考图像和所述配准移动图像的局部配准结行时实现权利要求1至9中任一项所述的方6[0008]将配准参考图像和配准移动图像分别输入到训练好的无监督卷积神经网络模型[0009]将各个参考图像层的置信分数和各个移动图像层的置信分数分别与预设的待配7得到配准参考图像的各个参考图像层的置信分数和配准移动图像的各个移动图像层的置[0017]上述说明仅是本申请技术方案的概述，为了能够更清楚[0022]图4示出了本发明实施例提供的一种医学场景中待配准区域的置信分数范围示意[0023]图5示出了本发明实施例提供的一种三维图像的图像层数与图像层的置信分数之[0025]图7示出了本发明实施例提供的一种全卷积网络滑动提取图像金字塔的图像特征8[0026]图8示出了本发明实施例提供的一种对图像层进行特征提取、特征融合和特征分粗配准阶段的初始定位准确度和定位效率就成为了一个非常重要[0038]102、将配准参考图像和配准移动图像分别输入到训练好的无监督卷积神经网络9即可确定出每个身体部分或器官结构对应的置的，通过将配准参考图像和配准移动图像分别输入到训练好的无监督卷积神经网络模型[0042]103、将各个参考图像层的置信分数和各个移动图像层的置信分数分别与预设的过将三维图像输入到卷积神经网络模型中，即可得到三维图像的各个图像层的置信分数，[0044]具体的，在得到各个参考图像层的置信分数和各个移动可以将每个参考图像层的置信分数和每个移动图像层的置信分数分别与预设的待配准区难度和训练耗时，且避免了图像粗配准阶段中由于搜索范围过大而引发的配准错误的问阶段(对应步骤204至206)利用深度卷积神经网络特征融合网络实现待配准区域的精细定置上的信息对应于同一个人体部位或者器官[0051]202、将配准参考图像和配准移动图像分别输入到训练好的无监督卷积神经网络[0062]203、将各个参考图像层的置信分数和各个移动图像层的置信分数分别与预设的[0063]具体的，在得到各个参考图像层的置信分数和各个移动可以依次将每个参考图像层的置信分数和每个移动图像层的置信分数分别与预设的待配分别判断各个参考图像层的置信分数和各个移动图像层的置信分数是否在预设的待配准据多组图像样本的待配准区域所在的图像层的置信分数，确定待配准区域的置信分数范[0067]204、将多个粗配准参考图像层和多个粗配准移动图像层分别输入到训练好的第将每个粗配准参考图像层和每个粗配准移动图像层分别输入到训练好的第一特征提取模型和第二特征提取模型中，得到各个粗配准参考图像层的第一图像特征和第二图像特征，取模型的全卷积网络滑动提取各个参考图像金字塔的图像特征和各个移动图像金字塔的了网络深度，同时卷积的步长设为1，可以保证特征信息未丢失。除上述Clarifai和VGGNet-D网络结构之外，也可以采用其他网络结构训练第一特征提取模型和第二特征提取模到各个粗配准参考图像层的候选区域和各个粗配准移动图像层征向量串联成一个高维(8192维)的融合特征，继而，采用PCA(PrincipalComponent50％的特征值)对应的特征向量构造投影方向矩阵，降维后得到的特征矩阵为m×4096维，[0093]206、对各个粗配准参考图像层的候选区域和各个粗配准移动图像层的候选区域进行中心位置定位处理和对配准参考图像和配准移动图像的每一个图像层的中心位置进准参考图像的多个配准参考图像层和配准移动图像[0099]208、对配准参考图像的多个配准参考图像层和配准移动图像的多个配准移动图层的置信分数和各个移动图像层的置信分数是否在预设的待配准区域的置信分数范围内；果和配准移动图像的中心定位结果。的全卷积网络滑动提取各个参考图像金字塔的图像特征和各个移动图像金字塔的图像特征，得到各个粗配准参考图像层的第一图像特征和各个粗配准移动图像层的第一图像特各个粗配准参考图像层的候选区域和各个粗配准移动图像层的候选区域。对各个粗配准参考图像层的候选区域和各个粗配准移动图像层的候选区域的重叠区域进行合并运算，得到各个粗配准参考图像层的定位区域和各个粗配准移动图像层的定位区卷积神经网络模型的参数以及初始化的第二深度卷积神经网络模型的参数进行迭代训练，[0121]可选的，该实体设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏无监督卷积神经网络模型得到配准参考图像的各个参考图像层的置信分数和配准移动图