申请/专利权人：枣庄学院

申请日：2023-12-14

公开（公告）日：2024-04-12

公开（公告）号：CN117876440A

主分类号：G06T7/33

分类号：G06T7/33;G06T7/00;G06T7/246;G06N3/045;G06N3/042;G06N3/084;G06N3/088

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明涉及一种基于自适应扰动学习的医学图像配准方法，属于医学图像配准领域。本发明采用的技术方案是：首先进行无监督配准框设置；稳定后，以运动图像M或融入扰动后的一系列运动图像或三者选其一，联合固定图像F输入训练网络，每次扰动多次进行配准，按照体素形变扰动和图像体素强度扰动分别扰动一定次数，将多次扰动下的网络学习到的相关统计结果输出，以原始运动图像M和固定图像F作为输入再次训练网络多次，以使配准达到最优，结束配准过程。本发明的优点是在确保student端学习能力基础上，能在teacher端的协助下，学习更多的训练时间维度的配准信息，且融入蒸馏框架的自适应扰动信息，不出现在测试test阶段。

主权项：1.一种基于自适应扰动学习的医学图像配准方法,首先进行基于meanteacher模型的无监督配准框设置，该模型包括student端，Teacher端，teacher端与student端模型相同，Teacher端模型是一个在训练过程中保持固定参数的模型，它的参数是通过student端模型参数的指数移动平均EMA策略得到，通过最小化student端模型与Teacher模型的预测之间的差异来进行训练，训练步骤epoch＝k时的teacher模型和student模型的参数分别表示为和 其中ω是EMA衰减系数，给定学生和老师分别预测的配准场φs和φt，利用空间变换网络SpatialTransformerNetwork，STN，将运动图像M分别扭曲成Ms和Mt，当在teacher端加入系列扰动或后，输出扰动下的配准场和配准图像其特征是，包括如下自适应扰动训练步骤，1配准网络训练到epoch_1次，epoch_1大于100次，此阶段不计算扰动，建立初始配准场；2配准初步稳定后，以运动图像M或融入扰动后的一系列运动图像或三者选其一，联合固定图像F输入训练网络，在每个epoch下扰动多次进行配准，按照体素形变的扰动和图像体素强度的扰动两种扰动方式分别扰动一定次数，并将多次扰动下的网络学习到的相关统计结果输出，通过特征提取融入student端训练损失中，该阶段训练到epoch_2次，epoch_2大于epoch_1次；2.1运动图像体素形变的扰动，通过将扰动信息施加于运动图像体素位置上，使运动图像人为产生一系列扰动形变，扰动信号作为扰动的配准场施加于运动图像，融入如公式2所示， 其相应体素位置生成形变图像，其中，代表非线性形变操作，为系列扰动的可调参数，按规律取值，如以1为中心点均匀取值10次，以产生10幅扰动后的运动图像，j为扰动次序；2.2运动图像体素强度的扰动，通过将体素强度扰动信息施加于运动图像对应体素上，增强器官纹理相似区域特征的可区分性，提升纹理识别难度大的区域体素的配准效果，在epochi训练步骤下具体融入如公式3所示， 公式表示扰动信号通过对应位置的体素相加，M相应位置x体素强度产生扰动体素值，所有体素点扰动后生成扰动图像其中，Dsepochix项代表体素局部相似性，越大产生的体素强度扰动越大，为系列扰动的可调节参数，按规律取值，比如以1为中心点均匀取值N次，N大于或等于5，±以产生2N幅扰动后的运动图像，j为扰动次序；3以原始运动图像M和固定图像F作为输入再次训练网络到epoch_3次，epoch_3大于epoch_2，以使配准达到最优，结束配准过程。

全文数据：

权利要求：

百度查询： 枣庄学院 一种基于自适应扰动学习的医学图像配准方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD