技术特征：
1.一种图像配准模型的训练方法，其特征在于，所述训练方法包括：获取待配准训练图像和与所述待配准训练图像对应的参考训练图像；将所述待配准训练图像和所述对应的参考训练图像输入待训练的图像配准模型，输出与所述待配准训练图像对应的第一训练变形场和与所述对应的参考训练图像对应的第二训练变形场；计算所述待配准训练图像经所述第一训练变形场配准后得到的图像与所述对应的参考训练图像经所述第二训练变形场配准后得到的图像之间的第一损失；根据所述第一损失训练所述图像配准模型。2.如权利要求1所述的图像配准模型的训练方法，其特征在于，所述训练方法还包括：合并所述第一训练变形场和所述第二训练变形场得到总训练变形场；所述总训练变形场包括待配准训练图像配准到对应的参考训练图像的第一总训练变形场，和/或，对应的参考训练图像配准到待配准训练图像的第二总训练变形场；计算所述待配准训练图像经第一总训练变形场配准后得到的图像与所述对应的参考训练图像之间的第二损失；和/或，计算所述对应的参考训练图像经第二总训练变形场配准后得到的图像与所述待配准训练图像之间的第三损失；所述根据所述第一损失训练所述图像配准模型，具体包括：根据所述第二损失和/或所述第三损失，以及所述第一损失训练所述图像配准模型。3.如权利要求1所述的图像配准模型的训练方法，其特征在于，所述训练方法还包括：计算所述第一训练变形场的第一平滑损失和所述第二训练变形场的第二平滑损失；所述根据所述第一损失训练所述图像配准模型，具体包括：根据所述第一损失、所述第一平滑损失和所述第二平滑损失训练所述图像配准模型。4.如权利要求3所述的图像配准模型的训练方法，其特征在于，所述计算所述第一训练变形场的第一平滑损失和所述第二训练变形场的第二平滑损失，具体包括：分别对所述第一训练变形场和所述第二训练变形场计算一阶梯度，以得到所述第一平滑损失和所述第二平滑损失。5.如权利要求2所述的图像配准模型的训练方法，其特征在于，所述训练方法中基于均方误差损失和/或归一化交叉相关损失计算所述第一损失、所述第二损失和/或所述第三损失。6.如权利要求1所述的图像配准模型的训练方法，其特征在于，所述训练方法基于u型神经网络结构训练得到所述图像配准模型。7.一种图像配准方法，其特征在于，包括：获取待配准图像和与所述待配准图像对应的参考图像；将所述待配准图像和所述对应的参考图像输入至通过如权利要求1～6中任意一项所述的图像配准模型的训练方法训练出的图像配准模型，输出与所述待配准图像对应的第一变形场和与所述对应的参考图像对应的第二变形场；合并所述第一变形场和所述第二变形场得到总变形场；基于所述总变形场将所述待配准图像配准到与所述待配准图像对应的参考图像。8.如权利要求7所述的图像配准方法，其特征在于，所述合并所述第一变形场和所述第二变形场得到总变形场，具体包括：
对所述第二变形场求逆，得到逆向变形场；将所述第一变形场转换到所述逆向变形场的坐标系下后与所述逆向变形场叠加，得到所述总变形场。9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行计算机程序时实现如权利要求1-6中任意一项所述的图像配准模型的训练方法；和/或，所述处理器执行计算机程序时实现如权利要求7所述的图像配准方法。10.一种计算机可读介质，其上存储有计算机指令，其特征在于，所述计算机指令在由处理器执行时实现如权利要求1-6中任意一项所述的图像配准模型的训练方法；和/或，所述计算机指令在由处理器执行时实现如权利要求7所述的图像配准方法。
技术总结
本发明公开了一种图像配准模型的训练方法、图像配准方法、设备及介质，所述训练方法包括：获取待配准训练图像和与待配准训练图像对应的参考训练图像；将待配准训练图像和对应的参考训练图像输入待训练的图像配准模型，输出与待配准训练图像对应的第一训练变形场和与对应的参考训练图像对应的第二训练变形场；计算待配准训练图像经第一训练变形场配准后得到的图像与对应的参考训练图像经第二训练变形场配准后得到的图像之间的第一损失；根据第一损失训练图像配准模型。本申请将输入的每对图像同时配准到中间的某种状态，输出两个变形场并合并为总变形场，变相减少待配准图像之间的形变大小，降低形变较大图像之间的配准难度，提高配准准确度。提高配准准确度。提高配准准确度。
技术研发人员：马姗姗 曹晓欢 薛忠
受保护的技术使用者：上海联影智能医疗科技有限公司
技术研发日：2021.12.28
技术公布日：2022/4/15