一种融合边界损失的心脏磁共振图像配准方法与流程

1.本发明属于医学图像处理技术领域，具体涉及到一种用于心脏磁共振图像配准的方法。


背景技术：

2.由国家心血管病中心组织编撰的《中国心血管病报告2018》显示，中国心血管病防治工作在取得初步成效的同时，又面临新的严峻挑战。总体上看，中国心血管病患病率及死亡率仍处于上升阶段。推算心血管病现患人数2.9亿，心血管病死亡率仍居首位，占居民疾病死亡构成的40％以上，特别是农村近几年来心血管病死亡率持续高于城市。心脑血管病住院总费用也在快速增加，2004年至今，年均增速远高于国民生产总值增速。因此，对心脏疾病的防治变得尤为重要。
3.心脏磁共振图像作为临床心脏疾病诊断中最常见的非入侵式辅助诊断工具，能够为医生提供可靠的诊断依据。心脏磁共振图像的配准任务作为常见的医学影像处理方式，能够为医生提供更多的病理信息，在心脏疾病的早期检查，手术导航和预后回访中发挥着极大作用，也极大的降低了心脏疾病患者的风险。因此，配准任务的精度对医生判断病情就变得尤为重要。
4.传统配准算法能够实现较好的配准精度，但是配准速度较慢。随着计算机硬件的发展和深度学习网络的出现，使用深度学习的方法来实现高质量的配准任务成为当下的研究热点。目前的配准算法能够在同一数据集中发现其内在联系，模型一次训练即可多次使用，极大了提升了配准的效率。然而，目前基于深度学习配准算法的精度难以达到临床应用级别的要求。通过对配准结果分析发现，由于心脏子结构大多存在粘连的情况，配准的边界较为模糊，最终导致配准的精度较差。本发明针对现有配准算法中普遍存在的结构失配问题，在网络的损失函数中增加了边界损失bl，通过提升待配准图像边界的匹配程度来提升网络的配准性能。


技术实现要素：

5.本发明为了解决目前心脏磁共振配准方法广泛存在的边界失配问题，提供一种融合边界损失的心脏磁共振图像配准方法。
6.本发明通过以下技术方案实现：一种融合边界损失的心脏磁共振图像配准方法。首先对心脏图像进行预处理，降低训练过程中的参数；之后对发明的bl
‑
unet网络进行300周期每个周期迭代100次共计30000次的训练；之后使用训练得到的最优权重模型将浮动图像配准到固定图像中，得到最终的配准结果。
7.(1)数据预处理：对mm
‑
whs2017公开数据集中的20幅mri图像进行仿射变换到mni152空间坐标系下，之后对数据进行归一化和裁剪的处理。将数据的大小裁剪为160
×
160
×
16以节约计算内存。
8.(2)训练阶段：将预处理后的数据按照3:1:1的比例随机分配为训练、验证和测试
集，之后将训练数据作为浮动图像和配准图像输入bl
‑
unet中进行训练。使用bl来衡量配准图像和固定图像之间的差异，以进行反向传播，促使网络对变形场进行调整。
9.本发明提出的bl
‑
unet网络的主要创新在：
10.bl
‑
unet的网络流程图如图2所示。通过将边界损失(结构如图1所示)融合到损失函数中，得到发明提出的bl
‑
unet。bl的增加使得配准结果中的边界失配现象得到解决，从而提升了配准的效果。
11.(3)测试阶段：随机选取mm
‑
whs2017中的4幅图像作为测试数据集，使用第二步中训练保存的最优权重模型进行测试，在空间转换网络中得出最终的配准结果。
12.本发明针对现有u
‑
net网络对心脏磁共振图像配准结果存在的边界失配问题，提出一种改进的bl
‑
unet配准算法。通过在网络的损失函数中增加边界损失函数bl，心脏配准任务中子结构的边界配准更加清晰，在一定程度上解决了配准中存在的边界失配问题，极大的提升了配准的精度。在mm
‑
whs2017公开数据集中与当前先进配准算法voxelmorph相比，本发明的方法在配准指标上更优，说明发明的方法能够实现更好的配准结果。
附图说明
13.图1边界损失的原理图。
14.图2配准网络流程图。
15.图3心脏子结构图。
具体实施方式
16.为了验证本发明在心脏磁共振图像配准任务中的性能，我们选自miccai的公开数据集mm
‑
whs2017进行训练和测试。
17.步骤一：对心脏磁共振图像进行预处理，将数据中心裁剪，之后旋转方向以扩充数据，对裁剪后的数据进行仿射和归一化变换，将数据转换到服从同一分布的空间。
18.步骤二：在pytorch框架下训练bl
‑
unet网络，设置批处理的大小为1，网络使用adam进行优化，初始学习率大小设置为1e
‑
4，学习率设置为动态的形式有利于加速网络的收敛。将数据集随机分为3:1:1的方式，实验使用五折交叉验证的方式进行。设置最大训练迭代次数为30000，网络达到最大迭代次数，训练完成。
19.步骤三：采用mm
‑
whs2017心脏分割公开挑战赛的测试集对bl
‑
unet网络进行测试。为了评估配准结果，分别采用3种常用评价标准进行评估：相似度系数(dice)，豪斯多夫距离(hausdorff distance,hd)，非正雅可比行列式值折叠点(jacobine determent det.jac)，配准结果如表1所示。
20.表1.在mm
‑
whs2017数据集中的对比
[0021][0022]
实验结果表明，本发明的算法在三个评价指标中均为最优，能够有效的解决配准
结果中广泛存在的结构失配问题，证明了bl
‑
unet能够实现高质量和高精度的配准任务。


技术特征：
1.本发明公布了一种融合边界损失的心脏磁共振图像配准方法，包括以下步骤：（1）数据预处理：对mm
‑
whs2017公开数据集中的20幅mri图像进行仿射变换到mni152空间坐标系下，之后对数据进行归一化和裁剪的处理；将数据的大小裁剪为160
×
160
×
16以节约计算内存；通过仿射和归一化变换来减少网络特征提取过程中特征消失的问题，裁剪图像中的背景区域以降低无关内容对网络特征提取过程中的干扰；（2）训练网络：将待配准的图像分为浮动和固定图像，分别输入网络；通过u
‑
net的上采样和下采样进行特征提取，之后得到一个表示两幅图像之间差异的变形场；将浮动图像和变形场都输入到连接在u
‑
net后的空间转换网络，之后得到一个配准结果图像；之后计算配准图像和固定图像之间的loss函数，即可得到两幅图像之间的差异，经过反向传播之后便完成了依次训练迭代；这里主要使用本发明提出的边界（boundary loss, bl）损失，对两幅图像之间的相似度进行测量；（3）测试阶段：随机选取mm
‑
whs2017中的4幅图像作为测试数据集，使用第二步中训练保存的最优权重模型进行测试，在空间转换网络中得出配准结果，通过计算配准结果图像和固定图像之间的评价指标，得出最终的评价结果。

技术总结
针对现有U


技术研发人员：白鑫昊 崔晓娟 杨铁军 李磊 樊超 巩跃洪 苗建雨
受保护的技术使用者：河南工业大学
技术研发日：2021.08.21
技术公布日：2021/12/14