医学图像配准方法和装置、电子设备、存储介质

本技术涉及人工智能，尤其涉及一种医学图像配准方法和医学图像配准装置、电子设备、存储介质。

背景技术：

1、人工智能技术迅速发展，被广泛应用于日常生产和生活中，特别是在医学领域，已经出现很多计算机辅助诊断的方法和手段。医学图像配准是医学图像处理领域的一个重要技术，它涉及将一幅或多幅医学图像与另一幅图像在空间上对齐，使得它们在解剖结构上达到一致。

2、现有的算法在配准的准确性上仍有很大的提升空间。

技术实现思路

1、本技术实施例的主要目的在于提出医学图像配准方法和装置、电子设备、存储介质，提高了医学图像配准的准确性。

2、为实现上述目的，本技术实施例的第一方面提出了一种医学图像配准方法，所述方法包括：

3、获取目标浮动医学图像和目标参考医学图像；

4、获取医学图像配准模型，所述医学图像配准模型包括编码模块、三阶变换卷积子模块、卷积注意力子模块、和融合卷积子模块、和解码模块；

5、将所述目标浮动医学图像和所述目标参考医学图像输入所述编码模块进行特征编码，得到目标编码特征；

6、将所述目标编码特征输入所述三阶变换卷积子模块进行特征变换，得到目标变换特征；

7、将所述目标变换特征输入所述卷积注意力子模块进行特征提取，得到目标注意力特征；

8、将所述目标注意力特征输入所述融合卷积子模块进行特征卷积，得到目标融合特征；

9、将所述目标编码特征和所述目标融合特征输入所述解码模块进行特征解码，得到目标形变场，将所述目标形变场作用于所述目标浮动医学图像得到目标配准医学图像；

10、其中，所述医学图像配准模型基于样本图像集中每个样本图像对的第一损失函数与第二损失函数训练，所述样本图像对包括样本浮动医学图像和样本参考医学图像，第一损失函数是根据样本参考医学图像、和样本配准医学图像之间的距离构建得到的，第二损失函数是根据样本形变场和预设的恒等形变场之间的距离构建得到的，所述样本形变场是所述样本浮动医学图像和样本参考医学图像输入所述医学图像配准模型得到的，所述样本配准医学图像是所述样本形变场作用于样本浮动医学图像得到的，所述恒等形变场的每个元素均为零。

11、可选地，所述三阶变换卷积子模块包括三阶变换算子层、第一卷积层、归一化层、和激活函数层；所述将所述目标编码特征输入所述三阶变换卷积子模块进行特征变换，得到目标变换特征，包括：

12、利用所述三阶变换算子层，对所述目标编码特征进行三阶特征变换，得到第一变换特征；

13、利用所述第一卷积层，对所述第一变换特征进行卷积，得到第二变换特征；

14、利用所述归一化层，对所述第二变换特征进行归一化，得到第三变换特征；

15、利用所述激活函数层，对所述第三变换特征进行非线性处理，得到所述目标变换特征。

16、可选地，所述卷积注意力子模块包括第二卷积层、注意力层、上采样层、残差层；所述将所述目标变换特征输入所述卷积注意力子模块进行特征提取，得到目标注意力特征，包括：

17、利用所述第二卷积层，对所述目标变换特征进行卷积，得到第一提取特征；

18、利用所述注意力层，对所述第一提取特征进行注意力处理，得到第二提取特征；

19、利用所述上采样层，对所述第二提取特征进行上采样，得到第三提取特征；

20、利用所述残差层，将所述目标变换特征和所述第三提取特征进行拼接，得到所述目标注意力特征。

21、可选地，所述融合卷积子模块包括级联的多个空洞卷积层；所述将所述目标注意力特征输入所述融合卷积子模块，得到目标融合特征，包括：

22、将所述目标注意力特征作为级联的多个空洞卷积层的卷积输入特征，以使第一个空洞卷积层之后的每个空洞卷积层以前一个空洞卷积层的卷积输出特征作为卷积输入特征，并使每个所述空洞卷积层对所述卷积输入特征进行空洞卷积，得到所述卷积输出特征；

23、将最后一个随时空洞卷积层输出的所述卷积输出特征作为所述目标融合特征。

24、可选地，所述编码模块为级联的多个编码模块，所述目标编码特征包括每个所述编码模块的编码输出特征；所述将所述目标浮动医学图像和所述目标参考医学图像输入所述编码模块进行特征编码，得到目标编码特征，包括：

25、对所述目标浮动医学图像和所述目标参考医学图像进行图像拼接，得到目标拼接医学图像；

26、根据所述目标拼接医学图像确定级联的多个所述编码模块中的第一个所述编码模块的编码输入特征，以使第一个所述编码模块之后的每个编码模块以经过最大池化处理后的前一个编码模块的编码输出特征作为编码输入特征，且使每个所述编码模块根据所述编码输入特征进行特征编码，得到所述编码输出特征。

27、可选地，所述解码模块为级联的多个解码模块，一个所述解码模块与一个所述编码模块相对应；将所述目标编码特征和所述目标注意力特征输入所述解码模块进行特征解码，得到目标形变场，包括：

28、将最后一个所述编码模块的所述输出特征与所述目标注意力特征进行特征拼接，得到目标拼接特征；

29、将所述目标拼接特征作为级联的多个解码模块的解码输入特征，以使第一个所述解码模块之后的每个解码模块以经过上采样处理的前一个解码模块的解码输出特征、以及与所述解码模块对应的所述编码模块的编码输出特征作为解码输入特征，且使每个所述解码模块根据所述解码输入特征进行特征解码，得到所述解码输出特征；

30、根据最后一个所述解码模块的所述解码输出特征，确定所述目标形变场。

31、可选地，所述医学图像配准模型基于样本图像集中每个样本图像对的第一损失函数与第二损失函数训练，包括：

32、计算所述样本参考医学图像和所述样本配准医学图像之间的均方误差，得到第一损失函数；

33、计算所述样本形变场中每个元素与对应的所述恒等形变场中的元素的差值的平方，得到第二子损失函数，且将所有元素的第二子损失函数进行求和，得到第二损失函数；

34、根据所述第一损失函数和所述第二损失函数进行加权和，得到目标损失函数；

35、根据所述目标损失函数对所述医学图像配准模型进行参数调整。

36、为实现上述目的，本技术实施例的第二方面提出了一种医学图像配准装置，所述装置包括：

37、图像获取单元，用于获取目标浮动医学图像和目标参考医学图像；

38、模型获取单元，用于获取医学图像配准模型，所述医学图像配准模型包括编码模块、三阶变换卷积子模块、卷积注意力子模块、融合卷积子模块、和解码模块；

39、特征编码单元，用于将所述目标浮动医学图像和所述目标参考医学图像输入所述编码模块进行特征编码，得到目标编码特征；

40、特征变换单元，用于将所述目标编码特征输入所述三阶变换卷积子模块进行特征变换，得到目标变换特征；

41、特征提取单元，用于将所述目标变换特征输入所述卷积注意力子模块进行特征提取，得到目标注意力特征；

42、特征卷积单元，用于将所述目标注意力特征输入所述融合卷积子模块进行特征卷积，得到目标融合特征；

43、特征解码单元，用于将所述目标编码特征和所述目标融合特征输入所述解码模块进行特征解码，得到目标形变场，将所述目标形变场作用于所述目标浮动医学图像得到目标配准医学图像；

44、其中，所述医学图像配准模型基于样本图像集中每个样本图像对的第一损失函数与第二损失函数训练，所述样本图像对包括样本浮动医学图像和样本参考医学图像，第一损失函数是根据样本参考医学图像、和样本配准医学图像之间的距离构建得到的，第二损失函数是根据样本形变场和预设的恒等形变场之间的距离构建得到的，所述样本形变场是所述样本浮动医学图像和样本参考医学图像输入所述医学图像配准模型得到的，所述样本配准医学图像是所述样本形变场作用于样本浮动医学图像得到的，所述恒等形变场的每个元素均为零。

45、为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。

46、为实现上述目的，本技术实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。

47、本技术提出的一种医学图像配准方法和装置、电子设备、存储介质，该方法通过在医学图像配准模型中的编码模块与解码模块之间设置级联的三阶变换卷积模块、卷积注意力模块、融合卷积模块，得到的目标融合特征具有比较丰富的特征信息，然后解码编码根据目标融合特征以及编码模块输出的目标编码特征进行特征解码，得到的目标形变场具有较高的准确性，从而基于目标形变场得到的目标配准医学图像具体较高的准确性。此外，本技术除了对医学配准模型的模型结构进行设置之外，还同时利用第一损失函数和第二损失函数对医学图像配准模型进行训练，进一步提高了医学配准模型的准确性。可见，本技术同时对模型结构以及对模型损失函数进行改进，使医学图像配准模型具有强大的特征提取能力，从而提高了医学图像配准的准确性。